ProjectSARIMA
2022-11-16
#{r setup, include=FALSE} #knitr::opts_chunk$set(echo = TRUE) #
1. Load Packages/Library
# masukkan semua library yang dibutuhkan disini atau bertambah sesuai dengan kebutuhan, misalnya
library(dplyr) #library digunakan untuk manipulasi data##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(ggplot2) #library digunakan untuk visualiasi data
library(lubridate) #library digunakan untuk mengatur dan mengubah data berbentuk tanggal##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionlibrary(tidyverse) #library digunakan untuk membantu kegiatan data analysis, dimana didalamnya juga termasuk library dplyr dan ggplot2 ## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ purrr 1.0.1 ✔ tibble 3.2.1
## ✔ readr 2.1.4 ✔ tidyr 1.3.0## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(tseries) #library untuk membantu kegiatan analysis untuk data yang bersifat time series ## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo# library untuk membagi dataset
library(caret)## Loading required package: lattice
##
## Attaching package: 'caret'
##
## The following object is masked from 'package:purrr':
##
## lift# library untuk model SARIMA
library (forecast)
#library yang membantu dalam kegiatan deskripsi statistik
library (descr)
#library yang membantu pengecekan model regresi linear
library(lmtest)## Loading required package: zoo
##
## Attaching package: 'zoo'
##
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric2. Obtain Data
Data.SPKU <- read.csv("C:/Users/suria/Downloads/Tugas Akhir/Bab 3/Data SPKU.csv")Kita akan menggunakan perintah read.csv untuk mengimport dataset yang akan digunakan dalam penelitian nantinya
3. Scrub Data
a. Melihat Summary data
# your code
glimpse(Data.SPKU)## Rows: 10,960
## Columns: 10
## $ Tanggal <chr> "1/1/2016", "1/2/2016", "1/3/2016", "1/4/2016", "1/5/2016", "…
## $ Stasiun <chr> "DKI1 (Bunderan HI)", "DKI1 (Bunderan HI)", "DKI1 (Bunderan H…
## $ pm10 <chr> "59", "52", "44", "58", "70", "69", "58", "46", "51", "59", "…
## $ so2 <chr> "19", "19", "19", "21", "19", "19", "19", "24", "32", "39", "…
## $ co <chr> "27", "---", "---", "---", "---", "---", "---", "---", "---",…
## $ o3 <chr> "31", "33", "36", "46", "41", "19", "25", "---", "---", "43",…
## $ no2 <chr> "1", "2", "2", "5", "4", "4", "3", "3", "2", "3", "3", "4", "…
## $ Max <int> 59, 52, 44, 58, 70, 69, 58, 46, 51, 59, 66, 60, 60, 51, 53, 9…
## $ Critical <chr> "PM10", "PM10", "PM10", "PM10", "PM10", "PM10", "PM10", "PM10…
## $ Kategori <chr> "SEDANG", "SEDANG", "BAIK", "SEDANG", "SEDANG", "SEDANG", "SE…Dengan menggunakan perintah glimpse kita dapat melihat bahwa pada dataset ISPU masih memiliki data kosong(missing value) serta tipe data yang juga salah pada variabel tanggal serta beberapa variabel lainnya
b. Mengubah tipe data variabel
Data.SPKU <- Data.SPKU %>%
mutate(Tanggal = lubridate::mdy(Tanggal))
glimpse(Data.SPKU)## Rows: 10,960
## Columns: 10
## $ Tanggal <date> 2016-01-01, 2016-01-02, 2016-01-03, 2016-01-04, 2016-01-05, …
## $ Stasiun <chr> "DKI1 (Bunderan HI)", "DKI1 (Bunderan HI)", "DKI1 (Bunderan H…
## $ pm10 <chr> "59", "52", "44", "58", "70", "69", "58", "46", "51", "59", "…
## $ so2 <chr> "19", "19", "19", "21", "19", "19", "19", "24", "32", "39", "…
## $ co <chr> "27", "---", "---", "---", "---", "---", "---", "---", "---",…
## $ o3 <chr> "31", "33", "36", "46", "41", "19", "25", "---", "---", "43",…
## $ no2 <chr> "1", "2", "2", "5", "4", "4", "3", "3", "2", "3", "3", "4", "…
## $ Max <int> 59, 52, 44, 58, 70, 69, 58, 46, 51, 59, 66, 60, 60, 51, 53, 9…
## $ Critical <chr> "PM10", "PM10", "PM10", "PM10", "PM10", "PM10", "PM10", "PM10…
## $ Kategori <chr> "SEDANG", "SEDANG", "BAIK", "SEDANG", "SEDANG", "SEDANG", "SE…Perintah diatas merupakan perintah untuk mengubah tipe data dari Tanggal yang awalnya bertipe char menjadi bertipe date agar dapat digunakan dalam peramalan nantinya
Data.SPKU$pm10= as.numeric(as.character(Data.SPKU$pm10)) ## Warning: NAs introduced by coercionData.SPKU$so2= as.numeric(as.character(Data.SPKU$so2)) ## Warning: NAs introduced by coercionData.SPKU$co= as.numeric(as.character(Data.SPKU$co)) ## Warning: NAs introduced by coercionData.SPKU$o3= as.numeric(as.character(Data.SPKU$o3)) ## Warning: NAs introduced by coercionData.SPKU$no2= as.numeric(as.character(Data.SPKU$no2)) ## Warning: NAs introduced by coercionData.SPKU$Max= as.numeric(as.character(Data.SPKU$Max)) Selanjutnya adalah perintah untuk mengubah tipe data dari keenam variabel yaitu pm10, so2, co, o3, no2, dan Max yang awalnya bertipe char menjadi bertipe numeric
glimpse(Data.SPKU)## Rows: 10,960
## Columns: 10
## $ Tanggal <date> 2016-01-01, 2016-01-02, 2016-01-03, 2016-01-04, 2016-01-05, …
## $ Stasiun <chr> "DKI1 (Bunderan HI)", "DKI1 (Bunderan HI)", "DKI1 (Bunderan H…
## $ pm10 <dbl> 59, 52, 44, 58, 70, 69, 58, 46, 51, 59, 66, 60, 60, 51, 53, 5…
## $ so2 <dbl> 19, 19, 19, 21, 19, 19, 19, 24, 32, 39, 38, 37, 37, 38, 42, 4…
## $ co <dbl> 27, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, 2…
## $ o3 <dbl> 31, 33, 36, 46, 41, 19, 25, NA, NA, 43, 29, 31, NA, NA, NA, 9…
## $ no2 <dbl> 1, 2, 2, 5, 4, 4, 3, 3, 2, 3, 3, 4, 2, 3, 3, 4, 4, 4, 4, 3, 3…
## $ Max <dbl> 59, 52, 44, 58, 70, 69, 58, 46, 51, 59, 66, 60, 60, 51, 53, 9…
## $ Critical <chr> "PM10", "PM10", "PM10", "PM10", "PM10", "PM10", "PM10", "PM10…
## $ Kategori <chr> "SEDANG", "SEDANG", "BAIK", "SEDANG", "SEDANG", "SEDANG", "SE…Dapat dilihat sekarang tipe data yang ada saat ini sudah berubah dari yang awalnya bertipe char sudah menjadi date dan juga double pada dataset yang kita gunakan
c. Membersihkan data yang Missing Value
# your code
colSums(is.na(Data.SPKU))## Tanggal Stasiun pm10 so2 co o3 no2 Max
## 0 0 494 446 404 456 476 29
## Critical Kategori
## 0 0Perintah diatas merupakan perintah yang digunakan untuk melihat data yang tidak memiliki nilai(missing value). Data yang tidak ada nilainya ini harus kita hapus agar nantinya tidak mempengaruhi hasil dari peramalan.
Data.SPKU <- na.omit(Data.SPKU)Perintah diatas merupakan perintah untuk mengeluarkan data yang tidak memiliki nilai dari dataset supaya nantinya tidak akan mempengaruhi hasil dari peramalan
colSums(is.na(Data.SPKU))## Tanggal Stasiun pm10 so2 co o3 no2 Max
## 0 0 0 0 0 0 0 0
## Critical Kategori
## 0 0Setelah kita cek kembali dengan perintah colSums dapat dilihat bahwa sudah tidak ada data yang tidak memiliki nilai(Missing Value) di dalam dataset yang akan kita gunakan nantinya.
sum(duplicated(Data.SPKU))## [1] 0Selanjutnya setelah memastikan atribut dari variabel telah sesuai dan tidak ada missing value lagi di dalamnya, akan menggunakan perintah duplicated untuk mengecek apakah di dataset yang kita gunakan masih ada data yang sama/berulang. Dapat dilihat dari hasilnya didapatkan bahwa sudah tidak ada data duplikat di dalam dataset yang digunakan
Berikut merupakan tampilan dari dataset setelah dilakukan Scrubbing
glimpse(Data.SPKU)## Rows: 9,596
## Columns: 10
## $ Tanggal <date> 2016-01-01, 2016-01-16, 2016-01-17, 2016-01-18, 2016-01-19, …
## $ Stasiun <chr> "DKI1 (Bunderan HI)", "DKI1 (Bunderan HI)", "DKI1 (Bunderan H…
## $ pm10 <dbl> 59, 59, 58, 73, 60, 54, 66, 65, 43, 55, 33, 61, 74, 58, 58, 4…
## $ so2 <dbl> 19, 42, 42, 44, 45, 44, 48, 41, 40, 41, 40, 42, 43, 42, 44, 4…
## $ co <dbl> 27, 26, 19, 32, 24, 33, 31, 31, 25, 38, 32, 40, 41, 30, 29, 2…
## $ o3 <dbl> 31, 95, 149, 87, 78, 69, 53, 45, 51, 48, 49, 54, 61, 77, 79, …
## $ no2 <dbl> 1, 4, 4, 4, 4, 3, 3, 2, 3, 2, 4, 3, 4, 3, 4, 2, 2, 10, 12, 18…
## $ Max <dbl> 59, 95, 149, 87, 78, 69, 66, 65, 51, 55, 49, 61, 74, 77, 79, …
## $ Critical <chr> "PM10", "O3", "O3", "O3", "O3", "O3", "PM10", "PM10", "O3", "…
## $ Kategori <chr> "SEDANG", "SEDANG", "TIDAK SEHAT", "SEDANG", "SEDANG", "SEDAN…4. Explore Data
a. Analisis Deskriptif
Dalam tahapan explore data, pertama-tama kita dapat menggunakan perintah summary() untuk melihat ringkasan dari dataset yang kita gunakan. Ringkasan ini akan sangat berguna untuk menampilkan data statistik yang dapat membantu kita dalam melakukan analisis Deskriptif
summary(Data.SPKU)## Tanggal Stasiun pm10 so2
## Min. :2016-01-01 Length:9596 Min. : 2.00 Min. : 1.00
## 1st Qu.:2017-07-14 Class :character 1st Qu.: 43.00 1st Qu.: 15.00
## Median :2019-01-31 Mode :character Median : 55.00 Median : 21.00
## Mean :2019-01-13 Mean : 52.74 Mean : 23.59
## 3rd Qu.:2020-07-12 3rd Qu.: 63.00 3rd Qu.: 30.00
## Max. :2021-12-31 Max. :179.00 Max. :112.00
## co o3 no2 Max
## Min. : 1.00 Min. : 3.00 Min. : 1.00 Min. : 1.00
## 1st Qu.: 11.00 1st Qu.: 34.00 1st Qu.: 6.00 1st Qu.: 52.00
## Median : 16.00 Median : 57.00 Median : 9.00 Median : 65.00
## Mean : 18.64 Mean : 61.35 Mean : 11.85 Mean : 69.76
## 3rd Qu.: 23.00 3rd Qu.: 81.00 3rd Qu.: 14.00 3rd Qu.: 83.00
## Max. :135.00 Max. :243.00 Max. :148.00 Max. :243.00
## Critical Kategori
## Length:9596 Length:9596
## Class :character Class :character
## Mode :character Mode :character
##
##
## tapply(Data.SPKU$pm10, Data.SPKU$Stasiun, summary)## $`DKI1 (Bunderan HI)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 5.00 40.00 52.00 49.27 59.00 104.00
##
## $`DKI2 (Kelapa Gading)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 13.00 45.25 57.00 54.89 66.00 103.00
##
## $`DKI3 (Jagakarsa)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.00 44.00 54.00 51.86 61.00 118.00
##
## $`DKI4 (Lubang Buaya)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 7.00 50.00 60.00 58.31 69.00 179.00
##
## $`DKI5 (Kebon Jeruk)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.00 40.00 53.00 49.42 60.00 92.00tapply(Data.SPKU$so2, Data.SPKU$Stasiun, summary)## $`DKI1 (Bunderan HI)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 14.00 20.00 20.95 27.00 106.00
##
## $`DKI2 (Kelapa Gading)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 13.00 21.00 25.25 32.00 103.00
##
## $`DKI3 (Jagakarsa)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.00 14.00 18.00 23.12 29.00 112.00
##
## $`DKI4 (Lubang Buaya)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.00 23.00 29.00 30.04 37.00 72.00
##
## $`DKI5 (Kebon Jeruk)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 5.00 13.00 18.00 18.61 23.00 51.00tapply(Data.SPKU$co, Data.SPKU$Stasiun, summary)## $`DKI1 (Bunderan HI)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.00 13.00 19.00 18.84 24.00 51.00
##
## $`DKI2 (Kelapa Gading)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 9.00 13.00 15.51 20.00 71.00
##
## $`DKI3 (Jagakarsa)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 11.00 15.00 17.02 21.00 75.00
##
## $`DKI4 (Lubang Buaya)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.00 10.00 14.00 16.51 19.00 107.00
##
## $`DKI5 (Kebon Jeruk)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 12.00 20.00 25.60 35.75 135.00tapply(Data.SPKU$o3, Data.SPKU$Stasiun, summary)## $`DKI1 (Bunderan HI)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.00 22.00 34.00 41.29 56.00 198.00
##
## $`DKI2 (Kelapa Gading)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 5.00 45.00 60.00 67.47 82.75 234.00
##
## $`DKI3 (Jagakarsa)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 6.00 40.00 68.00 68.38 90.00 199.00
##
## $`DKI4 (Lubang Buaya)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 5.00 33.00 54.00 55.91 74.50 197.00
##
## $`DKI5 (Kebon Jeruk)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.00 42.00 69.00 74.94 97.00 243.00tapply(Data.SPKU$no2, Data.SPKU$Stasiun, summary)## $`DKI1 (Bunderan HI)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 4.00 8.00 11.26 15.00 79.00
##
## $`DKI2 (Kelapa Gading)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.00 10.00 14.00 15.16 18.00 148.00
##
## $`DKI3 (Jagakarsa)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 5.00 8.00 9.31 11.00 107.00
##
## $`DKI4 (Lubang Buaya)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 7.00 9.00 11.33 12.00 107.00
##
## $`DKI5 (Kebon Jeruk)`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 6.00 9.00 11.91 13.00 135.00Dibawah ini dilakukan pengujian stasioneritas dengan uji Augmented Dickey Fuller (ADF) yang dibantu dengan perintah adf.test() dari package tseries
adf.test(Data.SPKU$pm10)## Warning in adf.test(Data.SPKU$pm10): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: Data.SPKU$pm10
## Dickey-Fuller = -9.9403, Lag order = 21, p-value = 0.01
## alternative hypothesis: stationaryadf.test(Data.SPKU$so2)## Warning in adf.test(Data.SPKU$so2): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: Data.SPKU$so2
## Dickey-Fuller = -11.898, Lag order = 21, p-value = 0.01
## alternative hypothesis: stationaryadf.test(Data.SPKU$co)## Warning in adf.test(Data.SPKU$co): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: Data.SPKU$co
## Dickey-Fuller = -12.02, Lag order = 21, p-value = 0.01
## alternative hypothesis: stationaryadf.test(Data.SPKU$o3)## Warning in adf.test(Data.SPKU$o3): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: Data.SPKU$o3
## Dickey-Fuller = -11.803, Lag order = 21, p-value = 0.01
## alternative hypothesis: stationaryadf.test(Data.SPKU$no2)## Warning in adf.test(Data.SPKU$no2): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: Data.SPKU$no2
## Dickey-Fuller = -9.0568, Lag order = 21, p-value = 0.01
## alternative hypothesis: stationaryadf.test(Data.SPKU$Max)## Warning in adf.test(Data.SPKU$Max): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: Data.SPKU$Max
## Dickey-Fuller = -11.233, Lag order = 21, p-value = 0.01
## alternative hypothesis: stationaryDapat dilihat dari hasil diatas bahwa keenam variabel memiliki nilai p-value dibawah 0.01 yang mana artinya datanya sudah stasioner karena bernilai dibawah 5% atau 0.05
b. Visualisasi Data
b.1 Visualisasi Data Partikulat Polusi Udara
Dibawah ini merupakan grafik yang menggambarkan nilai dari data variabel partikulat polusi udara dengan tanggal pada kelima stasiun di Jakarta
ggplot(data = Data.SPKU) +
geom_line(mapping = aes(x = Tanggal, y = pm10, color = Stasiun))+
labs(title = "Grafik pm10")
Pada grafik pertama yang menggambarkan data pm10 ini dapat dilihat
secara umum data partikulat pm10 yang direkam tertinggi berada pada
Stasiun DKI4 dengan nilai tertinggi berada pada akhir tahun 2021
sedangkan nilai terendah berada pada Stasiun DKI3 pada akhir tahun
2017
ggplot(data = Data.SPKU) +
geom_line(mapping = aes(x = Tanggal, y = so2, color = Stasiun))+
labs(title = "Grafik so2")
Pada grafik kedua yang menggambarkan data so2 ini dapat dilihat secara
umum data partikulat so2 yang direkam tertinggi berada pada Stasiun DKI3
dengan nilai tertinggi berada pada akhir tahun 2020 sedangkan nilai
terendah berada pada Stasiun DKI2 pada awal tahun 2016
ggplot(data = Data.SPKU) +
geom_line(mapping = aes(x = Tanggal, y = co, color = Stasiun))+
labs(title = "Grafik co")
Pada grafik ketiga yang menggambarkan data co ini dapat dilihat secara
umum data partikulat co yang direkam tertinggi berada pada Stasiun DKI5
dengan nilai tertinggi berada pada akhir tahun 2020 sedangkan nilai
terendah berada pada Stasiun DKI5 pada akhir triwulan pertama pada tahun
2017
ggplot(data = Data.SPKU) +
geom_line(mapping = aes(x = Tanggal, y = o3, color = Stasiun))+
labs(title = "Grafik o3")
Pada grafik keempat yang menggambarkan data o3 ini dapat dilihat secara
umum data partikulat o3 yang direkam tertinggi berada pada Stasiun DKI5
dengan nilai tertinggi berada pada akhir triwulan pertama pada tahun
2019 sedangkan nilai terendah berada pada Stasiun DKI5 pada awal
triwulan ketiga pada tahun 2020
ggplot(data = Data.SPKU) +
geom_line(mapping = aes(x = Tanggal, y = no2, color = Stasiun))+
labs(title = "Grafik no2")
Pada grafik kelima yang menggambarkan data no2 ini dapat dilihat secara
umum data partikulat no2 yang direkam tertinggi berada pada Stasiun DKI2
dengan nilai tertinggi berada pada akhir tahun 2020 sedangkan untuk
nilai terendah terbagi merata pada kelima Stasiun dari awal tahun 2016
hingga akhir tahun 2018
ggplot(data = Data.SPKU) +
geom_line(mapping = aes(x = Tanggal, y = Max, color = Stasiun))+
labs(title = "Grafik Max")
Pada grafik keenam yang menggambarkan data Max dari keseluruhan
partikulat ini dapat dilihat secara umum data tertinggi yang direkam
terdapat pada Stasiun DKI5 di tahun 2019 sedangkan nilai terendah berada
pada Stasiun DKI4 pada awal triwulan ketiga tahun 2020
b.2 Visualisasi Data PM10 berdasar salah satu Stasiun
Sebelum melakukan visualisasi terpisah antara tiap stasiun, untuk merapikan tampilan dari grafik nantinya terlebih dahulu buat vector yang akan digunakan untuk mempersingkat nama stasiun yang akan digunakan menjadi label
Nama_Stasiun <- c(
`DKI1 (Bunderan HI)` = "DKI 1",
`DKI2 (Kelapa Gading)` = "DKI 2",
`DKI3 (Jagakarsa)` = "DKI 3",
`DKI4 (Lubang Buaya)` = "DKI 4",
`DKI5 (Kebon Jeruk)`="DKI 5"
)Dibawah ini merupakan tampilan grafik partikulat pm10 yang dipisahkan berdasarkan berdasarkan stasiun perekaman data tersebut.
ggplot(Data.SPKU, aes(x=Tanggal, y=pm10, group=Stasiun)) +
geom_line(aes())+ facet_grid(Stasiun ~ ., scales='free', labeller = as_labeller(Nama_Stasiun))
Dibawah ini merupakan tampilan grafik partikulat so2 yang dipisahkan berdasarkan berdasarkan stasiun perekaman data tersebut.
ggplot(Data.SPKU, aes(x=Tanggal, y=so2, group=Stasiun)) +
geom_line(aes())+ facet_grid(Stasiun ~ ., scales='free', labeller = as_labeller(Nama_Stasiun))
Dibawah ini merupakan tampilan grafik partikulat co yang dipisahkan berdasarkan berdasarkan stasiun perekaman data tersebut.
ggplot(Data.SPKU, aes(x=Tanggal, y=co, group=Stasiun)) +
geom_line(aes())+ facet_grid(Stasiun ~ ., scales='free', labeller = as_labeller(Nama_Stasiun))
Dibawah ini merupakan tampilan grafik partikulat o3 yang dipisahkan berdasarkan berdasarkan stasiun perekaman data tersebut.
ggplot(Data.SPKU, aes(x=Tanggal, y=o3, group=Stasiun)) +
geom_line(aes())+ facet_grid(Stasiun ~ ., scales='free', labeller = as_labeller(Nama_Stasiun))
Dibawah ini merupakan tampilan grafik partikulat no2 yang dipisahkan berdasarkan berdasarkan stasiun perekaman data tersebut.
ggplot(Data.SPKU, aes(x=Tanggal, y=no2, group=Stasiun)) +
geom_line(aes())+ facet_grid(Stasiun ~ ., scales='free', labeller = as_labeller(Nama_Stasiun))
Dibawah ini merupakan tampilan grafik partikulat Max yang dipisahkan berdasarkan berdasarkan stasiun perekaman data tersebut.
ggplot(Data.SPKU, aes(x=Tanggal, y=Max, group=Stasiun)) +
geom_line(aes())+ facet_grid(Stasiun ~ ., scales='free', labeller = as_labeller(Nama_Stasiun))
pm10tot <- Data.SPKU %>%
mutate(first_date_month = floor_date(Tanggal, unit = "month")) %>%
group_by(first_date_month) %>%
summarise(jumlahPM10 = sum (pm10))
pm10tot## # A tibble: 72 × 2
## first_date_month jumlahPM10
## <date> <dbl>
## 1 2016-01-01 4695
## 2 2016-02-01 5611
## 3 2016-03-01 7518
## 4 2016-04-01 7382
## 5 2016-05-01 8472
## 6 2016-06-01 7392
## 7 2016-07-01 7078
## 8 2016-08-01 13931
## 9 2016-09-01 1252
## 10 2016-10-01 7792
## # ℹ 62 more rowsso2tot <- Data.SPKU %>%
mutate(first_date_month = floor_date(Tanggal, unit = "month")) %>%
group_by(first_date_month) %>%
summarise(jumlahSO2 = sum (so2))
so2tot## # A tibble: 72 × 2
## first_date_month jumlahSO2
## <date> <dbl>
## 1 2016-01-01 2050
## 2 2016-02-01 1712
## 3 2016-03-01 2018
## 4 2016-04-01 2348
## 5 2016-05-01 2557
## 6 2016-06-01 2315
## 7 2016-07-01 2699
## 8 2016-08-01 5058
## 9 2016-09-01 687
## 10 2016-10-01 3405
## # ℹ 62 more rowscotot <- Data.SPKU %>%
mutate(first_date_month = floor_date(Tanggal, unit = "month")) %>%
group_by(first_date_month) %>%
summarise(jumlahCO = sum (co))
cotot## # A tibble: 72 × 2
## first_date_month jumlahCO
## <date> <dbl>
## 1 2016-01-01 1896
## 2 2016-02-01 3135
## 3 2016-03-01 3722
## 4 2016-04-01 3693
## 5 2016-05-01 4638
## 6 2016-06-01 4234
## 7 2016-07-01 3924
## 8 2016-08-01 6820
## 9 2016-09-01 635
## 10 2016-10-01 4077
## # ℹ 62 more rowso3tot <- Data.SPKU %>%
mutate(first_date_month = floor_date(Tanggal, unit = "month")) %>%
group_by(first_date_month) %>%
summarise(jumlahO3 = sum (o3))
o3tot## # A tibble: 72 × 2
## first_date_month jumlahO3
## <date> <dbl>
## 1 2016-01-01 4547
## 2 2016-02-01 5683
## 3 2016-03-01 8463
## 4 2016-04-01 7283
## 5 2016-05-01 8185
## 6 2016-06-01 7644
## 7 2016-07-01 8146
## 8 2016-08-01 16247
## 9 2016-09-01 603
## 10 2016-10-01 9461
## # ℹ 62 more rowsno2tot <- Data.SPKU %>%
mutate(first_date_month = floor_date(Tanggal, unit = "month")) %>%
group_by(first_date_month) %>%
summarise(jumlahNO2 = sum (no2))
no2tot## # A tibble: 72 × 2
## first_date_month jumlahNO2
## <date> <dbl>
## 1 2016-01-01 838
## 2 2016-02-01 965
## 3 2016-03-01 1217
## 4 2016-04-01 1216
## 5 2016-05-01 1410
## 6 2016-06-01 1407
## 7 2016-07-01 1085
## 8 2016-08-01 2248
## 9 2016-09-01 76
## 10 2016-10-01 1255
## # ℹ 62 more rowsggplot(data = pm10tot, aes(x = first_date_month, y = jumlahPM10, color = "PM10")) +
geom_line() +
geom_line(data = cotot, aes(x = first_date_month, y = jumlahCO, color = "CO")) +
geom_line(data = o3tot, aes(x = first_date_month, y = jumlahO3, color = "O3")) +
geom_line(data = so2tot, aes(x = first_date_month, y = jumlahSO2, color = "SO2")) +
geom_line(data = no2tot, aes(x = first_date_month, y = jumlahNO2, color = "NO2")) +
labs(title = "Jumlah Partikel Polusi Udara per Bulan",
x = "Tahun",
y = "Jumlah Partikel (μg/m3)",
subtitle = "Data terakhir 31 Desember 2021") +
theme_minimal() +
scale_x_date(date_labels = "%Y", date_breaks = "1 year") +
scale_color_manual(values = c("#0e8eff", "#0e0700", "#d19f00", "#fff80e", "#30e97f"),
labels = c("PM10", "CO", "O3","SO2", "NO2")) 
Berdasarkan Gambar diatas bisa dilihat bahwa, rata-rata tingkat O3 dan SO2 relatif lebih tinggi dibandingkan dengan 3 partikel yang lainnya.
pm10 <- Data.SPKU %>%
ggplot(aes(x = Tanggal, y = pm10)) +
geom_point(color = "tomato3", group=1) +
labs(
title = "Jumlah PM10 per Hari",
subtitle = "ISPU Jakarta",
caption = "Roni Yunis",
x = "Tahun",
y = "Jumlah"
) +
theme_minimal()
pm10
ggplot(data = Data.SPKU, aes(x = Tanggal, y = pm10, color = Kategori)) +
geom_line() +
labs(title = "Jumlah PM10 Berdasarkan Kategori",
x = "Tanggal",
y = "Partikel PM10 (μg/m3)") +
scale_color_manual(values = c("#0e8eff", "#0e0700", "#d19f00", "#fff80e"),
labels = c("Baik", "Sangat Tidak Sehat", "Sedang", "Tidak Sehat")) +
annotate("text",
x = max(Data.SPKU$Tanggal),
y = mean(Data.SPKU$pm10), label = "PM10") +
theme_minimal()
# Tingkat SO2 per Weekday
ggplot(data = Data.SPKU, aes(x = Tanggal, y = so2, fill=Stasiun)) +
geom_col() +
labs(title = "Tingkat SO2 Per Minggu") + # dari hari Senin s/d Minggu
theme_minimal()
df_dki_4 <- subset(Data.SPKU, Stasiun == "DKI4 (Lubang Buaya)")df_dki_4 <- df_dki_4 %>%
mutate(year = year(Tanggal),
month = month(Tanggal),
day = day(Tanggal),
weekday = wday(Tanggal),
year_month = format(Tanggal, format = "%Y-%m"))
df_dki_4## Tanggal Stasiun pm10 so2 co o3 no2 Max Critical
## 94 2016-01-01 DKI4 (Lubang Buaya) 72 32 12 37 11 72 PM10
## 95 2016-01-02 DKI4 (Lubang Buaya) 42 32 8 34 7 42 PM10
## 96 2016-01-03 DKI4 (Lubang Buaya) 37 33 9 48 9 48 O3
## 97 2016-01-04 DKI4 (Lubang Buaya) 61 33 6 40 20 61 PM10
## 98 2016-01-05 DKI4 (Lubang Buaya) 99 33 24 55 21 99 PM10
## 99 2016-01-06 DKI4 (Lubang Buaya) 75 33 9 32 11 75 PM10
## 100 2016-01-07 DKI4 (Lubang Buaya) 75 33 8 41 12 75 PM10
## 101 2016-01-08 DKI4 (Lubang Buaya) 60 33 5 35 7 60 PM10
## 102 2016-01-09 DKI4 (Lubang Buaya) 77 33 8 36 8 77 PM10
## 103 2016-01-10 DKI4 (Lubang Buaya) 83 33 7 61 11 83 PM10
## 104 2016-01-11 DKI4 (Lubang Buaya) 82 35 13 65 12 82 PM10
## 105 2016-01-12 DKI4 (Lubang Buaya) 72 35 11 40 12 72 PM10
## 106 2016-01-13 DKI4 (Lubang Buaya) 61 34 19 30 12 61 PM10
## 107 2016-01-14 DKI4 (Lubang Buaya) 57 34 22 34 10 57 PM10
## 108 2016-01-15 DKI4 (Lubang Buaya) 68 35 21 39 10 68 PM10
## 109 2016-01-16 DKI4 (Lubang Buaya) 68 35 22 71 15 71 O3
## 110 2016-01-17 DKI4 (Lubang Buaya) 94 38 20 96 17 96 O3
## 111 2016-01-18 DKI4 (Lubang Buaya) 96 36 17 67 11 96 PM10
## 112 2016-01-19 DKI4 (Lubang Buaya) 77 39 17 70 13 77 PM10
## 113 2016-01-20 DKI4 (Lubang Buaya) 59 36 14 49 10 59 PM10
## 244 2016-02-02 DKI4 (Lubang Buaya) 52 32 7 38 9 52 PM10
## 246 2016-02-04 DKI4 (Lubang Buaya) 68 13 12 56 11 68 PM10
## 247 2016-02-05 DKI4 (Lubang Buaya) 61 11 12 57 13 61 PM10
## 248 2016-02-06 DKI4 (Lubang Buaya) 65 12 17 60 9 65 PM10
## 249 2016-02-07 DKI4 (Lubang Buaya) 64 8 19 46 8 64 PM10
## 250 2016-02-08 DKI4 (Lubang Buaya) 44 8 21 39 8 44 PM10
## 251 2016-02-09 DKI4 (Lubang Buaya) 19 8 19 31 4 31 O3
## 252 2016-02-10 DKI4 (Lubang Buaya) 38 8 10 42 7 42 O3
## 253 2016-02-11 DKI4 (Lubang Buaya) 53 8 14 38 7 53 PM10
## 254 2016-02-12 DKI4 (Lubang Buaya) 43 8 10 39 12 43 PM10
## 255 2016-02-13 DKI4 (Lubang Buaya) 58 10 17 71 8 71 O3
## 256 2016-02-14 DKI4 (Lubang Buaya) 68 12 10 93 10 93 O3
## 257 2016-02-15 DKI4 (Lubang Buaya) 53 9 10 40 8 53 PM10
## 259 2016-02-17 DKI4 (Lubang Buaya) 71 8 11 18 10 71 PM10
## 260 2016-02-18 DKI4 (Lubang Buaya) 64 8 21 44 11 64 PM10
## 261 2016-02-19 DKI4 (Lubang Buaya) 73 9 13 54 12 73 PM10
## 262 2016-02-20 DKI4 (Lubang Buaya) 75 8 10 28 15 75 PM10
## 263 2016-02-21 DKI4 (Lubang Buaya) 83 8 11 26 9 83 PM10
## 264 2016-02-22 DKI4 (Lubang Buaya) 65 8 7 30 11 65 PM10
## 265 2016-02-23 DKI4 (Lubang Buaya) 63 8 6 38 12 63 PM10
## 266 2016-02-24 DKI4 (Lubang Buaya) 66 8 9 25 13 66 PM10
## 267 2016-02-25 DKI4 (Lubang Buaya) 46 8 7 22 9 46 PM10
## 268 2016-02-26 DKI4 (Lubang Buaya) 25 8 7 39 8 39 O3
## 269 2016-02-27 DKI4 (Lubang Buaya) 55 9 9 31 8 55 PM10
## 270 2016-02-28 DKI4 (Lubang Buaya) 46 10 4 31 11 46 PM10
## 271 2016-02-29 DKI4 (Lubang Buaya) 53 8 12 34 12 53 PM10
## 394 2016-03-01 DKI4 (Lubang Buaya) 23 8 4 23 9 23 PM10
## 395 2016-03-02 DKI4 (Lubang Buaya) 51 8 9 34 8 51 PM10
## 396 2016-03-03 DKI4 (Lubang Buaya) 52 9 12 31 8 52 PM10
## 397 2016-03-04 DKI4 (Lubang Buaya) 60 9 12 21 6 60 PM10
## 398 2016-03-05 DKI4 (Lubang Buaya) 53 9 5 46 7 53 PM10
## 399 2016-03-06 DKI4 (Lubang Buaya) 80 11 16 63 13 80 PM10
## 400 2016-03-07 DKI4 (Lubang Buaya) 49 9 16 47 9 49 PM10
## 401 2016-03-08 DKI4 (Lubang Buaya) 74 9 19 36 17 74 PM10
## 402 2016-03-09 DKI4 (Lubang Buaya) 80 9 20 48 10 80 PM10
## 403 2016-03-10 DKI4 (Lubang Buaya) 71 9 19 79 12 79 O3
## 404 2016-03-11 DKI4 (Lubang Buaya) 65 9 18 47 17 65 PM10
## 405 2016-03-12 DKI4 (Lubang Buaya) 60 11 16 51 13 60 PM10
## 406 2016-03-13 DKI4 (Lubang Buaya) 65 12 17 59 9 65 PM10
## 407 2016-03-14 DKI4 (Lubang Buaya) 74 12 17 50 12 74 PM10
## 408 2016-03-15 DKI4 (Lubang Buaya) 68 12 15 96 20 96 O3
## 409 2016-03-16 DKI4 (Lubang Buaya) 59 11 15 60 11 60 O3
## 410 2016-03-17 DKI4 (Lubang Buaya) 64 11 16 49 13 64 PM10
## 411 2016-03-18 DKI4 (Lubang Buaya) 54 11 15 53 9 54 PM10
## 412 2016-03-19 DKI4 (Lubang Buaya) 65 11 15 36 11 65 PM10
## 413 2016-03-20 DKI4 (Lubang Buaya) 59 11 16 37 11 59 PM10
## 414 2016-03-21 DKI4 (Lubang Buaya) 66 14 12 24 8 66 PM10
## 423 2016-03-30 DKI4 (Lubang Buaya) 71 16 11 38 15 71 PM10
## 424 2016-03-31 DKI4 (Lubang Buaya) 81 15 10 26 11 81 PM10
## 546 2016-04-01 DKI4 (Lubang Buaya) 73 14 14 77 12 77 O3
## 547 2016-04-02 DKI4 (Lubang Buaya) 35 14 13 51 8 51 O3
## 548 2016-04-03 DKI4 (Lubang Buaya) 58 16 9 46 13 58 PM10
## 549 2016-04-04 DKI4 (Lubang Buaya) 48 16 6 44 8 48 PM10
## 550 2016-04-05 DKI4 (Lubang Buaya) 54 16 8 34 9 54 PM10
## 551 2016-04-06 DKI4 (Lubang Buaya) 67 15 9 60 10 67 PM10
## 552 2016-04-07 DKI4 (Lubang Buaya) 61 16 8 37 10 61 PM10
## 553 2016-04-08 DKI4 (Lubang Buaya) 65 16 10 24 19 65 PM10
## 554 2016-04-09 DKI4 (Lubang Buaya) 70 14 16 52 10 70 PM10
## 555 2016-04-10 DKI4 (Lubang Buaya) 61 15 12 39 10 61 PM10
## 556 2016-04-11 DKI4 (Lubang Buaya) 80 14 14 53 9 80 PM10
## 557 2016-04-12 DKI4 (Lubang Buaya) 99 19 12 22 16 99 PM10
## 558 2016-04-13 DKI4 (Lubang Buaya) 71 18 9 34 13 71 PM10
## 559 2016-04-14 DKI4 (Lubang Buaya) 72 18 8 86 9 86 O3
## 560 2016-04-15 DKI4 (Lubang Buaya) 65 14 10 78 10 78 O3
## 561 2016-04-16 DKI4 (Lubang Buaya) 55 15 13 51 8 55 PM10
## 562 2016-04-17 DKI4 (Lubang Buaya) 65 14 16 31 7 65 PM10
## 572 2016-04-27 DKI4 (Lubang Buaya) 66 15 28 41 12 66 PM10
## 573 2016-04-28 DKI4 (Lubang Buaya) 60 17 22 48 12 60 PM10
## 574 2016-04-29 DKI4 (Lubang Buaya) 50 18 11 57 8 57 O3
## 575 2016-04-30 DKI4 (Lubang Buaya) 71 16 21 39 10 71 PM10
## 699 2016-05-01 DKI4 (Lubang Buaya) 56 14 43 29 10 56 PM10
## 700 2016-05-02 DKI4 (Lubang Buaya) 64 15 21 40 12 64 PM10
## 701 2016-05-03 DKI4 (Lubang Buaya) 70 17 18 28 6 70 PM10
## 702 2016-05-04 DKI4 (Lubang Buaya) 75 14 32 28 7 75 PM10
## 703 2016-05-05 DKI4 (Lubang Buaya) 63 14 24 17 6 63 PM10
## 704 2016-05-06 DKI4 (Lubang Buaya) 74 15 49 77 12 77 O3
## 705 2016-05-07 DKI4 (Lubang Buaya) 73 16 28 68 8 73 PM10
## 706 2016-05-08 DKI4 (Lubang Buaya) 70 14 57 64 15 70 PM10
## 707 2016-05-09 DKI4 (Lubang Buaya) 58 15 29 75 12 75 O3
## 708 2016-05-10 DKI4 (Lubang Buaya) 59 15 27 59 8 59 PM10
## 709 2016-05-11 DKI4 (Lubang Buaya) 67 17 17 61 6 67 PM10
## 710 2016-05-12 DKI4 (Lubang Buaya) 88 18 27 73 14 88 PM10
## 711 2016-05-13 DKI4 (Lubang Buaya) 52 17 18 66 11 66 O3
## 712 2016-05-14 DKI4 (Lubang Buaya) 56 15 14 62 11 62 O3
## 713 2016-05-15 DKI4 (Lubang Buaya) 50 16 14 38 5 50 PM10
## 714 2016-05-16 DKI4 (Lubang Buaya) 42 15 13 36 11 42 PM10
## 715 2016-05-17 DKI4 (Lubang Buaya) 69 16 22 79 13 79 O3
## 716 2016-05-18 DKI4 (Lubang Buaya) 64 17 41 51 9 64 PM10
## 717 2016-05-19 DKI4 (Lubang Buaya) 67 17 37 74 11 74 O3
## 718 2016-05-20 DKI4 (Lubang Buaya) 63 20 18 84 17 84 O3
## 719 2016-05-21 DKI4 (Lubang Buaya) 61 15 25 52 21 61 PM10
## 721 2016-05-23 DKI4 (Lubang Buaya) 51 16 16 79 11 79 O3
## 722 2016-05-24 DKI4 (Lubang Buaya) 59 16 28 53 15 59 PM10
## 723 2016-05-25 DKI4 (Lubang Buaya) 49 17 14 52 11 52 O3
## 724 2016-05-26 DKI4 (Lubang Buaya) 66 17 28 46 13 66 PM10
## 725 2016-05-27 DKI4 (Lubang Buaya) 79 17 39 47 16 79 PM10
## 726 2016-05-28 DKI4 (Lubang Buaya) 86 19 45 64 10 86 PM10
## 727 2016-05-29 DKI4 (Lubang Buaya) 61 18 16 31 13 61 PM10
## 728 2016-05-30 DKI4 (Lubang Buaya) 61 19 26 43 12 61 PM10
## 729 2016-05-31 DKI4 (Lubang Buaya) 64 19 19 80 8 80 O3
## 851 2016-06-01 DKI4 (Lubang Buaya) 67 20 21 82 8 82 O3
## 852 2016-06-02 DKI4 (Lubang Buaya) 69 17 28 43 9 69 PM10
## 853 2016-06-03 DKI4 (Lubang Buaya) 48 18 16 72 12 72 O3
## 854 2016-06-04 DKI4 (Lubang Buaya) 75 20 30 74 9 75 PM10
## 855 2016-06-05 DKI4 (Lubang Buaya) 84 18 49 52 16 84 PM10
## 856 2016-06-06 DKI4 (Lubang Buaya) 95 19 47 80 11 95 PM10
## 857 2016-06-07 DKI4 (Lubang Buaya) 65 17 44 55 13 65 PM10
## 858 2016-06-08 DKI4 (Lubang Buaya) 40 17 11 60 14 60 O3
## 859 2016-06-09 DKI4 (Lubang Buaya) 51 17 14 55 12 55 O3
## 860 2016-06-10 DKI4 (Lubang Buaya) 65 18 25 48 15 65 PM10
## 861 2016-06-11 DKI4 (Lubang Buaya) 56 17 25 53 9 56 PM10
## 862 2016-06-12 DKI4 (Lubang Buaya) 73 19 33 73 11 73 PM10
## 863 2016-06-13 DKI4 (Lubang Buaya) 62 17 24 55 14 62 PM10
## 864 2016-06-14 DKI4 (Lubang Buaya) 58 19 20 84 12 84 O3
## 865 2016-06-15 DKI4 (Lubang Buaya) 64 21 25 64 14 64 PM10
## 866 2016-06-16 DKI4 (Lubang Buaya) 65 22 33 41 19 65 PM10
## 867 2016-06-17 DKI4 (Lubang Buaya) 61 21 15 44 11 61 PM10
## 868 2016-06-18 DKI4 (Lubang Buaya) 35 16 22 23 12 35 PM10
## 869 2016-06-19 DKI4 (Lubang Buaya) 53 20 44 126 9 126 O3
## 870 2016-06-20 DKI4 (Lubang Buaya) 65 19 34 85 10 85 O3
## 871 2016-06-21 DKI4 (Lubang Buaya) 77 20 31 95 20 95 O3
## 872 2016-06-22 DKI4 (Lubang Buaya) 53 18 12 67 10 67 O3
## 873 2016-06-23 DKI4 (Lubang Buaya) 43 18 12 70 11 70 O3
## 874 2016-06-24 DKI4 (Lubang Buaya) 55 17 18 79 14 79 O3
## 875 2016-06-25 DKI4 (Lubang Buaya) 68 20 28 83 19 83 O3
## 876 2016-06-26 DKI4 (Lubang Buaya) 74 20 32 63 14 74 PM10
## 877 2016-06-27 DKI4 (Lubang Buaya) 51 16 26 54 7 54 O3
## 879 2016-06-29 DKI4 (Lubang Buaya) 26 19 37 46 19 46 O3
## 880 2016-06-30 DKI4 (Lubang Buaya) 23 17 19 53 12 53 O3
## 1004 2016-07-01 DKI4 (Lubang Buaya) 37 18 35 91 10 91 O3
## 1005 2016-07-02 DKI4 (Lubang Buaya) 20 18 27 92 14 92 O3
## 1006 2016-07-03 DKI4 (Lubang Buaya) 16 17 18 49 7 49 O3
## 1007 2016-07-04 DKI4 (Lubang Buaya) 13 17 12 37 6 37 O3
## 1008 2016-07-05 DKI4 (Lubang Buaya) 8 17 18 41 8 41 O3
## 1009 2016-07-06 DKI4 (Lubang Buaya) 10 17 33 45 9 45 O3
## 1010 2016-07-07 DKI4 (Lubang Buaya) 10 18 7 51 5 51 O3
## 1011 2016-07-08 DKI4 (Lubang Buaya) 7 17 9 59 7 59 O3
## 1012 2016-07-09 DKI4 (Lubang Buaya) 9 18 15 59 7 59 O3
## 1013 2016-07-10 DKI4 (Lubang Buaya) 9 19 15 46 7 46 O3
## 1014 2016-07-11 DKI4 (Lubang Buaya) 7 19 37 33 9 37 CO
## 1015 2016-07-12 DKI4 (Lubang Buaya) 17 17 14 53 7 53 O3
## 1016 2016-07-13 DKI4 (Lubang Buaya) 73 18 27 67 10 73 PM10
## 1017 2016-07-14 DKI4 (Lubang Buaya) 86 18 37 40 10 86 PM10
## 1018 2016-07-15 DKI4 (Lubang Buaya) 62 19 11 31 6 62 PM10
## 1019 2016-07-16 DKI4 (Lubang Buaya) 56 17 12 31 8 56 PM10
## 1022 2016-07-19 DKI4 (Lubang Buaya) 63 21 20 92 12 92 O3
## 1023 2016-07-20 DKI4 (Lubang Buaya) 60 19 19 55 9 60 PM10
## 1024 2016-07-21 DKI4 (Lubang Buaya) 69 21 20 97 10 97 O3
## 1025 2016-07-22 DKI4 (Lubang Buaya) 56 19 15 37 8 56 PM10
## 1029 2016-07-26 DKI4 (Lubang Buaya) 70 21 24 87 9 87 O3
## 1030 2016-07-27 DKI4 (Lubang Buaya) 68 22 13 85 14 85 O3
## 1031 2016-07-28 DKI4 (Lubang Buaya) 81 22 14 62 13 81 PM10
## 1032 2016-07-29 DKI4 (Lubang Buaya) 90 22 17 88 12 90 PM10
## 1033 2016-07-30 DKI4 (Lubang Buaya) 55 20 16 88 14 88 O3
## 1034 2016-07-31 DKI4 (Lubang Buaya) 71 20 14 65 8 71 PM10
## 1159 2016-08-01 DKI4 (Lubang Buaya) 73 20 10 74 9 74 O3
## 1160 2016-08-02 DKI4 (Lubang Buaya) 58 22 12 79 12 79 O3
## 1161 2016-08-03 DKI4 (Lubang Buaya) 64 22 15 98 19 98 O3
## 1162 2016-08-04 DKI4 (Lubang Buaya) 87 21 23 106 11 106 O3
## 1163 2016-08-05 DKI4 (Lubang Buaya) 107 21 27 82 15 107 PM10
## 1164 2016-08-06 DKI4 (Lubang Buaya) 72 22 12 62 14 72 PM10
## 1165 2016-08-07 DKI4 (Lubang Buaya) 81 25 11 87 10 87 O3
## 1166 2016-08-08 DKI4 (Lubang Buaya) 58 21 7 64 7 64 O3
## 1167 2016-08-09 DKI4 (Lubang Buaya) 60 20 26 44 12 60 PM10
## 1168 2016-08-10 DKI4 (Lubang Buaya) 57 21 18 80 9 80 O3
## 1169 2016-08-11 DKI4 (Lubang Buaya) 63 21 10 70 9 70 O3
## 1170 2016-08-12 DKI4 (Lubang Buaya) 64 21 12 65 12 65 O3
## 1171 2016-08-13 DKI4 (Lubang Buaya) 63 24 13 49 10 63 PM10
## 1172 2016-08-14 DKI4 (Lubang Buaya) 50 20 14 49 9 50 PM10
## 1173 2016-08-15 DKI4 (Lubang Buaya) 42 19 16 111 14 111 O3
## 1174 2016-08-16 DKI4 (Lubang Buaya) 67 24 16 74 8 74 O3
## 1175 2016-08-17 DKI4 (Lubang Buaya) 69 21 21 52 8 69 PM10
## 1176 2016-08-18 DKI4 (Lubang Buaya) 55 21 9 60 10 60 O3
## 1177 2016-08-19 DKI4 (Lubang Buaya) 65 21 22 83 10 83 O3
## 1178 2016-08-20 DKI4 (Lubang Buaya) 51 21 12 71 12 71 O3
## 1179 2016-08-21 DKI4 (Lubang Buaya) 69 23 13 70 9 70 O3
## 1180 2016-08-22 DKI4 (Lubang Buaya) 59 22 10 64 8 64 O3
## 1181 2016-08-23 DKI4 (Lubang Buaya) 52 24 8 142 7 142 O3
## 1182 2016-08-24 DKI4 (Lubang Buaya) 57 24 7 101 15 101 O3
## 1183 2016-08-25 DKI4 (Lubang Buaya) 80 26 15 88 12 88 O3
## 1312 2016-08-02 DKI4 (Lubang Buaya) 82 21 30 92 14 92 O3
## 1313 2016-08-03 DKI4 (Lubang Buaya) 69 21 20 60 13 69 PM10
## 1314 2016-08-04 DKI4 (Lubang Buaya) 73 26 17 52 17 73 PM10
## 1315 2016-08-05 DKI4 (Lubang Buaya) 53 21 15 39 9 53 PM10
## 1316 2016-08-06 DKI4 (Lubang Buaya) 66 22 23 53 8 66 PM10
## 1317 2016-08-07 DKI4 (Lubang Buaya) 56 21 18 42 14 56 PM10
## 1318 2016-08-08 DKI4 (Lubang Buaya) 54 22 23 72 13 72 O3
## 1319 2016-08-09 DKI4 (Lubang Buaya) 84 21 33 59 17 84 PM10
## 1320 2016-08-10 DKI4 (Lubang Buaya) 94 23 32 59 9 94 PM10
## 1321 2016-08-11 DKI4 (Lubang Buaya) 61 25 12 55 11 61 PM10
## 1324 2016-08-14 DKI4 (Lubang Buaya) 91 26 11 71 14 91 PM10
## 1325 2016-08-15 DKI4 (Lubang Buaya) 54 26 16 61 14 61 O3
## 1326 2016-08-16 DKI4 (Lubang Buaya) 66 23 19 56 11 66 PM10
## 1327 2016-08-17 DKI4 (Lubang Buaya) 64 21 18 56 9 64 PM10
## 1328 2016-08-18 DKI4 (Lubang Buaya) 50 25 13 79 8 79 O3
## 1329 2016-08-19 DKI4 (Lubang Buaya) 52 21 14 45 10 52 PM10
## 1330 2016-08-20 DKI4 (Lubang Buaya) 59 21 23 69 12 69 O3
## 1331 2016-08-21 DKI4 (Lubang Buaya) 58 21 11 69 13 69 O3
## 1332 2016-08-22 DKI4 (Lubang Buaya) 43 23 21 60 9 60 O3
## 1333 2016-08-23 DKI4 (Lubang Buaya) 51 22 16 57 12 57 O3
## 1334 2016-08-24 DKI4 (Lubang Buaya) 54 23 14 37 8 54 PM10
## 1335 2016-08-25 DKI4 (Lubang Buaya) 42 21 25 51 9 51 O3
## 1336 2016-08-26 DKI4 (Lubang Buaya) 33 21 12 41 7 41 O3
## 1337 2016-08-27 DKI4 (Lubang Buaya) 62 23 20 62 12 62 PM10
## 1338 2016-08-28 DKI4 (Lubang Buaya) 59 23 15 62 10 62 O3
## 1339 2016-08-29 DKI4 (Lubang Buaya) 40 22 11 63 7 63 O3
## 1340 2016-08-30 DKI4 (Lubang Buaya) 52 23 14 46 9 52 PM10
## 1464 2016-10-01 DKI4 (Lubang Buaya) 61 23 32 48 12 61 PM10
## 1465 2016-10-02 DKI4 (Lubang Buaya) 45 21 17 21 5 45 PM10
## 1466 2016-10-03 DKI4 (Lubang Buaya) 56 23 10 94 7 94 O3
## 1467 2016-10-04 DKI4 (Lubang Buaya) 66 22 18 72 12 72 O3
## 1469 2016-10-06 DKI4 (Lubang Buaya) 53 23 13 108 10 108 O3
## 1470 2016-10-07 DKI4 (Lubang Buaya) 73 24 18 106 12 106 O3
## 1471 2016-10-10 DKI4 (Lubang Buaya) 57 23 15 70 11 70 O3
## 1475 2016-10-12 DKI4 (Lubang Buaya) 62 23 27 33 13 62 PM10
## 1476 2016-10-13 DKI4 (Lubang Buaya) 74 24 23 63 8 74 PM10
## 1477 2016-10-14 DKI4 (Lubang Buaya) 67 24 74 20 12 74 CO
## 1478 2016-10-15 DKI4 (Lubang Buaya) 53 23 16 50 10 53 PM10
## 1479 2016-10-16 DKI4 (Lubang Buaya) 53 23 18 43 8 53 PM10
## 1480 2016-10-17 DKI4 (Lubang Buaya) 63 24 13 82 8 82 O3
## 1481 2016-10-18 DKI4 (Lubang Buaya) 66 24 15 77 20 77 O3
## 1482 2016-10-19 DKI4 (Lubang Buaya) 56 23 11 59 9 59 O3
## 1483 2016-10-20 DKI4 (Lubang Buaya) 82 26 15 88 13 88 O3
## 1484 2016-10-21 DKI4 (Lubang Buaya) 81 24 18 71 13 81 PM10
## 1485 2016-10-22 DKI4 (Lubang Buaya) 85 24 27 51 13 85 PM10
## 1486 2016-10-23 DKI4 (Lubang Buaya) 34 22 9 27 6 34 PM10
## 1487 2016-10-24 DKI4 (Lubang Buaya) 52 25 26 76 8 76 O3
## 1488 2016-10-25 DKI4 (Lubang Buaya) 59 23 23 64 12 64 O3
## 1489 2016-10-26 DKI4 (Lubang Buaya) 50 25 13 52 11 52 O3
## 1490 2016-10-27 DKI4 (Lubang Buaya) 59 26 13 68 14 68 O3
## 1491 2016-10-28 DKI4 (Lubang Buaya) 55 24 27 80 12 80 O3
## 1492 2016-10-29 DKI4 (Lubang Buaya) 54 23 34 47 8 54 PM10
## 1493 2016-10-30 DKI4 (Lubang Buaya) 48 23 23 64 6 64 O3
## 1494 2016-10-31 DKI4 (Lubang Buaya) 50 27 19 89 16 89 O3
## 1616 2016-11-01 DKI4 (Lubang Buaya) 46 23 14 42 11 46 PM10
## 1617 2016-11-02 DKI4 (Lubang Buaya) 40 22 21 23 7 40 PM10
## 1618 2016-11-03 DKI4 (Lubang Buaya) 55 25 13 62 6 62 O3
## 1620 2016-11-05 DKI4 (Lubang Buaya) 67 23 13 104 12 104 O3
## 1621 2016-11-06 DKI4 (Lubang Buaya) 128 23 32 97 14 128 PM10
## 1622 2016-11-07 DKI4 (Lubang Buaya) 79 23 24 96 14 96 O3
## 1623 2016-11-11 DKI4 (Lubang Buaya) 66 23 17 62 11 66 PM10
## 1624 2016-11-11 DKI4 (Lubang Buaya) 57 27 12 72 12 72 O3
## 1625 2016-11-10 DKI4 (Lubang Buaya) 50 27 11 80 9 80 O3
## 1626 2016-11-11 DKI4 (Lubang Buaya) 62 23 10 103 12 103 O3
## 1627 2016-11-12 DKI4 (Lubang Buaya) 53 23 17 61 10 61 O3
## 1628 2016-11-13 DKI4 (Lubang Buaya) 38 23 17 56 11 56 O3
## 1629 2016-11-14 DKI4 (Lubang Buaya) 50 23 17 118 9 118 O3
## 1630 2016-11-15 DKI4 (Lubang Buaya) 51 23 21 58 8 58 O3
## 1631 2016-11-16 DKI4 (Lubang Buaya) 55 23 30 104 9 104 O3
## 1632 2016-11-17 DKI4 (Lubang Buaya) 59 23 11 100 10 100 O3
## 1633 2016-11-18 DKI4 (Lubang Buaya) 74 24 23 48 15 74 PM10
## 1634 2016-11-19 DKI4 (Lubang Buaya) 58 24 31 55 13 58 PM10
## 1635 2016-11-20 DKI4 (Lubang Buaya) 60 23 25 43 10 60 PM10
## 1636 2016-11-21 DKI4 (Lubang Buaya) 61 24 17 37 13 61 PM10
## 1640 2016-11-25 DKI4 (Lubang Buaya) 49 24 11 26 8 49 PM10
## 1641 2016-11-26 DKI4 (Lubang Buaya) 75 25 19 66 12 75 PM10
## 1642 2016-11-27 DKI4 (Lubang Buaya) 93 24 41 50 9 93 PM10
## 1643 2016-11-28 DKI4 (Lubang Buaya) 82 24 26 45 14 82 PM10
## 1644 2016-11-29 DKI4 (Lubang Buaya) 42 24 17 70 10 70 O3
## 1645 2016-11-30 DKI4 (Lubang Buaya) 58 25 21 59 10 59 O3
## 1769 2016-12-01 DKI4 (Lubang Buaya) 65 25 23 28 14 65 PM10
## 1770 2016-12-02 DKI4 (Lubang Buaya) 43 25 13 25 5 43 PM10
## 1771 2016-12-03 DKI4 (Lubang Buaya) 25 24 15 22 6 25 PM10
## 1772 2016-12-04 DKI4 (Lubang Buaya) 35 24 13 15 5 35 PM10
## 1773 2016-12-05 DKI4 (Lubang Buaya) 21 24 7 19 4 24 SO2
## 1774 2016-12-06 DKI4 (Lubang Buaya) 29 24 9 23 5 29 PM10
## 1775 2016-12-07 DKI4 (Lubang Buaya) 38 24 11 38 7 38 PM10
## 1776 2016-12-12 DKI4 (Lubang Buaya) 61 25 22 70 8 70 O3
## 1777 2016-12-09 DKI4 (Lubang Buaya) 33 24 12 28 7 33 PM10
## 1778 2016-12-10 DKI4 (Lubang Buaya) 48 25 15 21 7 48 PM10
## 1779 2016-12-11 DKI4 (Lubang Buaya) 33 24 10 38 4 38 O3
## 1780 2016-12-12 DKI4 (Lubang Buaya) 32 24 19 31 7 32 PM10
## 1781 2016-12-13 DKI4 (Lubang Buaya) 47 25 11 20 8 47 PM10
## 1782 2016-12-14 DKI4 (Lubang Buaya) 36 25 8 26 5 36 PM10
## 1783 2016-12-15 DKI4 (Lubang Buaya) 45 25 33 14 7 45 PM10
## 1784 2016-12-16 DKI4 (Lubang Buaya) 33 25 12 30 5 33 PM10
## 1785 2016-12-17 DKI4 (Lubang Buaya) 34 25 7 33 6 34 PM10
## 1786 2016-12-18 DKI4 (Lubang Buaya) 33 25 19 24 9 33 PM10
## 1787 2016-12-19 DKI4 (Lubang Buaya) 23 25 6 26 6 26 O3
## 1788 2016-12-20 DKI4 (Lubang Buaya) 22 25 5 17 3 25 SO2
## 1789 2016-12-21 DKI4 (Lubang Buaya) 22 25 4 17 3 25 SO2
## 1790 2016-12-22 DKI4 (Lubang Buaya) 25 25 4 16 3 25 PM10
## 1791 2016-12-23 DKI4 (Lubang Buaya) 22 25 4 15 3 25 SO2
## 1792 2016-12-24 DKI4 (Lubang Buaya) 25 25 4 16 2 25 PM10
## 1793 2016-12-25 DKI4 (Lubang Buaya) 30 25 5 20 2 30 PM10
## 1794 2016-12-26 DKI4 (Lubang Buaya) 52 26 14 47 5 52 PM10
## 1795 2016-12-27 DKI4 (Lubang Buaya) 29 26 5 40 5 40 O3
## 1796 2016-12-28 DKI4 (Lubang Buaya) 30 26 5 23 3 30 PM10
## 1797 2016-12-29 DKI4 (Lubang Buaya) 37 26 12 31 4 37 PM10
## 1798 2016-12-30 DKI4 (Lubang Buaya) 58 26 19 29 7 58 PM10
## 1799 2016-12-31 DKI4 (Lubang Buaya) 54 26 24 28 7 54 PM10
## 1924 2017-01-01 DKI4 (Lubang Buaya) 69 27 23 54 5 69 PM10
## 1925 2017-01-02 DKI4 (Lubang Buaya) 35 26 7 36 4 36 O3
## 1927 2017-01-04 DKI4 (Lubang Buaya) 51 26 13 87 7 87 O3
## 1928 2017-01-05 DKI4 (Lubang Buaya) 48 27 16 67 9 67 O3
## 1929 2017-01-06 DKI4 (Lubang Buaya) 38 26 10 64 7 64 O3
## 1930 2017-01-07 DKI4 (Lubang Buaya) 32 26 11 67 5 67 O3
## 1931 2017-01-08 DKI4 (Lubang Buaya) 43 28 14 54 5 54 O3
## 1932 2017-01-09 DKI4 (Lubang Buaya) 38 27 10 55 4 55 O3
## 1933 2017-01-10 DKI4 (Lubang Buaya) 59 27 14 48 8 59 PM10
## 1934 2017-01-11 DKI4 (Lubang Buaya) 49 27 12 48 7 49 PM10
## 1935 2017-01-12 DKI4 (Lubang Buaya) 25 26 7 26 5 26 SO2
## 1936 2017-01-13 DKI4 (Lubang Buaya) 19 27 4 16 3 27 SO2
## 1937 2017-01-14 DKI4 (Lubang Buaya) 21 27 4 16 3 27 SO2
## 1938 2017-01-15 DKI4 (Lubang Buaya) 29 27 12 27 4 29 PM10
## 1940 2017-01-17 DKI4 (Lubang Buaya) 20 27 4 26 3 27 SO2
## 1941 2017-01-18 DKI4 (Lubang Buaya) 28 27 9 21 3 28 PM10
## 1942 2017-01-19 DKI4 (Lubang Buaya) 24 27 4 18 3 27 SO2
## 1943 2017-01-20 DKI4 (Lubang Buaya) 24 27 4 20 3 27 SO2
## 1944 2017-01-21 DKI4 (Lubang Buaya) 53 28 8 39 5 53 PM10
## 1945 2017-01-22 DKI4 (Lubang Buaya) 63 27 9 35 4 63 PM10
## 1946 2017-01-23 DKI4 (Lubang Buaya) 34 28 5 34 4 34 PM10
## 1948 2017-01-25 DKI4 (Lubang Buaya) 25 27 4 30 3 30 O3
## 1950 2017-01-27 DKI4 (Lubang Buaya) 51 28 14 40 7 51 PM10
## 1951 2017-01-28 DKI4 (Lubang Buaya) 40 28 12 46 4 46 O3
## 1952 2017-01-29 DKI4 (Lubang Buaya) 33 28 13 30 8 33 PM10
## 1953 2017-01-30 DKI4 (Lubang Buaya) 39 28 15 46 3 46 O3
## 1954 2017-01-31 DKI4 (Lubang Buaya) 30 28 8 35 5 35 O3
## 2070 2017-02-01 DKI4 (Lubang Buaya) 38 28 11 39 6 39 O3
## 2071 2017-02-02 DKI4 (Lubang Buaya) 35 28 14 34 4 35 PM10
## 2072 2017-02-03 DKI4 (Lubang Buaya) 34 28 12 25 5 34 PM10
## 2073 2017-02-04 DKI4 (Lubang Buaya) 30 28 3 20 3 30 PM10
## 2076 2017-02-07 DKI4 (Lubang Buaya) 31 28 8 30 4 31 PM10
## 2077 2017-02-08 DKI4 (Lubang Buaya) 25 29 4 26 5 29 SO2
## 2078 2017-02-09 DKI4 (Lubang Buaya) 31 29 8 15 3 31 PM10
## 2079 2017-02-10 DKI4 (Lubang Buaya) 22 28 9 27 3 28 SO2
## 2080 2017-02-11 DKI4 (Lubang Buaya) 32 29 13 25 5 32 PM10
## 2081 2017-02-12 DKI4 (Lubang Buaya) 37 28 13 27 6 37 PM10
## 2082 2017-02-13 DKI4 (Lubang Buaya) 43 29 12 41 6 43 PM10
## 2083 2017-02-14 DKI4 (Lubang Buaya) 39 29 17 43 5 43 O3
## 2084 2017-02-15 DKI4 (Lubang Buaya) 29 29 4 50 6 50 O3
## 2085 2017-02-16 DKI4 (Lubang Buaya) 27 29 7 41 6 41 O3
## 2086 2017-02-17 DKI4 (Lubang Buaya) 61 29 22 37 7 61 PM10
## 2087 2017-02-18 DKI4 (Lubang Buaya) 62 29 15 33 7 62 PM10
## 2088 2017-02-19 DKI4 (Lubang Buaya) 78 29 26 27 4 78 PM10
## 2089 2017-02-20 DKI4 (Lubang Buaya) 59 29 31 17 5 59 PM10
## 2090 2017-02-21 DKI4 (Lubang Buaya) 51 29 24 38 6 51 PM10
## 2091 2017-02-22 DKI4 (Lubang Buaya) 53 30 26 101 7 101 O3
## 2092 2017-02-23 DKI4 (Lubang Buaya) 54 29 18 114 8 114 O3
## 2093 2017-02-24 DKI4 (Lubang Buaya) 62 29 22 63 12 63 O3
## 2094 2017-02-25 DKI4 (Lubang Buaya) 51 29 13 69 7 69 O3
## 2095 2017-02-26 DKI4 (Lubang Buaya) 49 30 12 58 7 58 O3
## 2096 2017-02-27 DKI4 (Lubang Buaya) 36 30 12 69 10 69 O3
## 2097 2017-02-28 DKI4 (Lubang Buaya) 64 30 16 98 11 98 O3
## 2219 2017-03-01 DKI4 (Lubang Buaya) 54 30 14 58 11 58 O3
## 2220 2017-03-02 DKI4 (Lubang Buaya) 64 31 19 71 7 71 O3
## 2221 2017-03-03 DKI4 (Lubang Buaya) 60 30 15 49 9 60 PM10
## 2222 2017-03-04 DKI4 (Lubang Buaya) 43 30 13 79 6 79 O3
## 2223 2017-03-05 DKI4 (Lubang Buaya) 60 31 20 60 12 60 PM10
## 2224 2017-03-06 DKI4 (Lubang Buaya) 52 30 8 58 7 58 O3
## 2225 2017-03-07 DKI4 (Lubang Buaya) 52 30 11 53 9 53 O3
## 2226 2017-03-08 DKI4 (Lubang Buaya) 40 31 11 82 11 82 O3
## 2227 2017-03-09 DKI4 (Lubang Buaya) 53 31 8 110 24 110 O3
## 2228 2017-03-10 DKI4 (Lubang Buaya) 77 31 21 65 18 77 PM10
## 2229 2017-03-11 DKI4 (Lubang Buaya) 60 31 8 73 12 73 O3
## 2230 2017-03-12 DKI4 (Lubang Buaya) 75 32 23 57 11 75 PM10
## 2231 2017-03-13 DKI4 (Lubang Buaya) 72 32 14 41 13 72 PM10
## 2232 2017-03-14 DKI4 (Lubang Buaya) 71 32 8 36 9 71 PM10
## 2233 2017-03-15 DKI4 (Lubang Buaya) 47 32 4 27 6 47 PM10
## 2234 2017-03-16 DKI4 (Lubang Buaya) 51 32 9 64 9 64 O3
## 2235 2017-03-17 DKI4 (Lubang Buaya) 94 32 21 62 23 94 PM10
## 2236 2017-03-18 DKI4 (Lubang Buaya) 52 31 12 41 8 52 PM10
## 2237 2017-03-19 DKI4 (Lubang Buaya) 49 32 21 38 5 49 PM10
## 2238 2017-03-20 DKI4 (Lubang Buaya) 28 31 7 23 4 31 SO2
## 2239 2017-03-21 DKI4 (Lubang Buaya) 46 31 19 40 8 46 PM10
## 2240 2017-03-22 DKI4 (Lubang Buaya) 41 32 9 44 7 44 O3
## 2241 2017-03-23 DKI4 (Lubang Buaya) 56 31 21 34 11 56 PM10
## 2242 2017-03-24 DKI4 (Lubang Buaya) 88 32 59 89 15 89 O3
## 2243 2017-03-25 DKI4 (Lubang Buaya) 66 32 13 49 9 66 PM10
## 2244 2017-03-26 DKI4 (Lubang Buaya) 66 32 39 47 6 66 PM10
## 2245 2017-03-27 DKI4 (Lubang Buaya) 52 32 19 78 20 78 O3
## 2246 2017-03-28 DKI4 (Lubang Buaya) 72 32 20 58 6 72 PM10
## 2247 2017-03-29 DKI4 (Lubang Buaya) 57 32 18 52 9 57 PM10
## 2248 2017-03-30 DKI4 (Lubang Buaya) 45 32 14 48 6 48 O3
## 2249 2017-03-31 DKI4 (Lubang Buaya) 27 33 5 17 5 33 SO2
## 2371 2017-04-01 DKI4 (Lubang Buaya) 48 32 11 78 6 78 O3
## 2372 2017-04-02 DKI4 (Lubang Buaya) 50 32 17 88 10 88 O3
## 2373 2017-04-03 DKI4 (Lubang Buaya) 33 32 13 61 8 61 O3
## 2374 2017-04-04 DKI4 (Lubang Buaya) 47 32 19 93 9 93 O3
## 2375 2017-04-05 DKI4 (Lubang Buaya) 53 32 30 41 7 53 PM10
## 2376 2017-04-06 DKI4 (Lubang Buaya) 23 32 4 18 3 32 SO2
## 2377 2017-04-07 DKI4 (Lubang Buaya) 28 32 5 25 3 32 SO2
## 2378 2017-04-08 DKI4 (Lubang Buaya) 20 32 5 20 3 32 SO2
## 2379 2017-04-09 DKI4 (Lubang Buaya) 30 32 6 19 4 32 SO2
## 2381 2017-04-11 DKI4 (Lubang Buaya) 52 33 17 97 9 97 O3
## 2382 2017-04-12 DKI4 (Lubang Buaya) 44 33 11 85 8 85 O3
## 2383 2017-04-13 DKI4 (Lubang Buaya) 43 33 8 85 11 85 O3
## 2384 2017-04-14 DKI4 (Lubang Buaya) 53 33 16 51 11 53 PM10
## 2385 2017-04-15 DKI4 (Lubang Buaya) 71 33 17 76 4 76 O3
## 2386 2017-04-16 DKI4 (Lubang Buaya) 64 33 28 72 6 72 O3
## 2387 2017-04-17 DKI4 (Lubang Buaya) 83 34 15 62 7 83 PM10
## 2388 2017-04-18 DKI4 (Lubang Buaya) 84 33 12 73 12 84 PM10
## 2389 2017-04-19 DKI4 (Lubang Buaya) 62 33 14 95 16 95 O3
## 2390 2017-04-20 DKI4 (Lubang Buaya) 65 33 20 76 10 76 O3
## 2391 2017-04-21 DKI4 (Lubang Buaya) 63 33 18 50 9 63 PM10
## 2392 2017-04-22 DKI4 (Lubang Buaya) 71 33 22 66 17 71 PM10
## 2393 2017-04-23 DKI4 (Lubang Buaya) 55 33 19 63 10 63 O3
## 2394 2017-04-24 DKI4 (Lubang Buaya) 70 34 10 50 13 70 PM10
## 2395 2017-04-25 DKI4 (Lubang Buaya) 93 34 18 38 8 93 PM10
## 2396 2017-04-26 DKI4 (Lubang Buaya) 57 34 6 36 8 57 PM10
## 2397 2017-04-27 DKI4 (Lubang Buaya) 66 34 35 63 10 66 PM10
## 2398 2017-04-28 DKI4 (Lubang Buaya) 56 34 14 63 8 63 O3
## 2399 2017-04-29 DKI4 (Lubang Buaya) 54 40 9 28 10 54 PM10
## 2400 2017-04-30 DKI4 (Lubang Buaya) 63 43 11 91 10 91 O3
## 2524 2017-05-01 DKI4 (Lubang Buaya) 68 43 11 85 6 85 O3
## 2525 2017-05-02 DKI4 (Lubang Buaya) 62 39 15 85 7 85 O3
## 2528 2017-05-05 DKI4 (Lubang Buaya) 56 42 12 58 11 58 O3
## 2531 2017-05-08 DKI4 (Lubang Buaya) 50 41 17 53 9 53 O3
## 2534 2017-05-11 DKI4 (Lubang Buaya) 82 44 21 78 9 82 PM10
## 2535 2017-05-12 DKI4 (Lubang Buaya) 84 42 10 93 10 93 O3
## 2536 2017-05-13 DKI4 (Lubang Buaya) 70 42 11 76 8 76 O3
## 2537 2017-05-14 DKI4 (Lubang Buaya) 71 41 13 67 10 71 PM10
## 2538 2017-05-15 DKI4 (Lubang Buaya) 85 46 12 83 10 85 PM10
## 2539 2017-05-16 DKI4 (Lubang Buaya) 88 44 12 93 9 93 O3
## 2541 2017-05-18 DKI4 (Lubang Buaya) 76 42 8 73 7 76 PM10
## 2542 2017-05-19 DKI4 (Lubang Buaya) 83 44 15 77 9 83 PM10
## 2543 2017-05-20 DKI4 (Lubang Buaya) 91 44 8 84 10 91 PM10
## 2544 2017-05-21 DKI4 (Lubang Buaya) 80 46 10 56 15 80 PM10
## 2545 2017-05-22 DKI4 (Lubang Buaya) 65 45 6 56 8 65 PM10
## 2546 2017-05-23 DKI4 (Lubang Buaya) 70 44 7 75 11 75 O3
## 2676 2017-06-01 DKI4 (Lubang Buaya) 30 41 11 24 6 41 SO2
## 2677 2017-06-02 DKI4 (Lubang Buaya) 57 43 22 67 9 67 O3
## 2680 2017-06-05 DKI4 (Lubang Buaya) 82 45 21 72 10 82 PM10
## 2681 2017-06-06 DKI4 (Lubang Buaya) 53 44 16 65 13 65 O3
## 2682 2017-06-07 DKI4 (Lubang Buaya) 60 48 12 51 7 60 PM10
## 2685 2017-06-10 DKI4 (Lubang Buaya) 73 46 16 82 8 82 O3
## 2687 2017-06-12 DKI4 (Lubang Buaya) 67 47 14 45 9 67 PM10
## 2692 2017-06-17 DKI4 (Lubang Buaya) 67 48 12 63 7 67 PM10
## 2693 2017-06-18 DKI4 (Lubang Buaya) 55 44 20 70 9 70 O3
## 2694 2017-06-19 DKI4 (Lubang Buaya) 65 47 15 81 7 81 O3
## 2695 2017-06-20 DKI4 (Lubang Buaya) 66 49 13 95 8 95 O3
## 2701 2017-06-26 DKI4 (Lubang Buaya) 22 44 8 29 3 44 SO2
## 2702 2017-06-27 DKI4 (Lubang Buaya) 20 44 7 35 3 44 SO2
## 2705 2017-06-30 DKI4 (Lubang Buaya) 28 44 8 36 4 44 SO2
## 2829 2017-07-01 DKI4 (Lubang Buaya) 41 44 16 41 7 44 SO2
## 2830 2017-07-02 DKI4 (Lubang Buaya) 54 47 10 39 5 54 PM10
## 2831 2017-07-03 DKI4 (Lubang Buaya) 51 46 8 43 5 51 PM10
## 2832 2017-07-04 DKI4 (Lubang Buaya) 65 47 12 58 7 65 PM10
## 2833 2017-07-05 DKI4 (Lubang Buaya) 70 47 12 72 5 72 O3
## 2834 2017-07-06 DKI4 (Lubang Buaya) 59 49 11 87 7 87 O3
## 2836 2017-07-08 DKI4 (Lubang Buaya) 93 48 31 79 11 93 PM10
## 2837 2017-07-09 DKI4 (Lubang Buaya) 62 47 13 65 6 65 O3
## 2838 2017-07-10 DKI4 (Lubang Buaya) 46 47 13 63 10 63 O3
## 2840 2017-07-12 DKI4 (Lubang Buaya) 53 50 11 71 9 71 O3
## 2842 2017-07-14 DKI4 (Lubang Buaya) 78 51 21 80 10 80 O3
## 2843 2017-07-15 DKI4 (Lubang Buaya) 71 49 29 46 7 71 PM10
## 2844 2017-07-16 DKI4 (Lubang Buaya) 73 49 32 70 9 73 PM10
## 2845 2017-07-17 DKI4 (Lubang Buaya) 70 50 10 83 6 83 O3
## 2846 2017-07-18 DKI4 (Lubang Buaya) 94 51 27 77 13 94 PM10
## 2847 2017-07-19 DKI4 (Lubang Buaya) 89 51 20 76 7 89 PM10
## 2848 2017-07-20 DKI4 (Lubang Buaya) 76 49 22 86 6 86 O3
## 2849 2017-07-21 DKI4 (Lubang Buaya) 66 48 22 122 12 122 O3
## 2850 2017-07-22 DKI4 (Lubang Buaya) 71 50 19 108 6 108 O3
## 2851 2017-07-23 DKI4 (Lubang Buaya) 67 49 14 70 6 70 O3
## 2852 2017-07-24 DKI4 (Lubang Buaya) 75 50 21 86 8 86 O3
## 2854 2017-07-26 DKI4 (Lubang Buaya) 70 51 17 59 7 70 PM10
## 2855 2017-07-27 DKI4 (Lubang Buaya) 63 50 15 69 7 69 O3
## 2856 2017-07-28 DKI4 (Lubang Buaya) 56 50 13 58 4 58 O3
## 2857 2017-07-29 DKI4 (Lubang Buaya) 50 50 13 48 5 50 PM10
## 2985 2017-08-02 DKI4 (Lubang Buaya) 56 51 12 58 5 58 O3
## 2986 2017-08-03 DKI4 (Lubang Buaya) 54 51 10 65 4 65 O3
## 2987 2017-08-04 DKI4 (Lubang Buaya) 64 51 11 93 5 93 O3
## 2988 2017-08-05 DKI4 (Lubang Buaya) 79 51 19 79 4 79 PM10
## 2989 2017-08-06 DKI4 (Lubang Buaya) 81 51 19 80 4 81 PM10
## 2990 2017-08-07 DKI4 (Lubang Buaya) 85 50 20 56 3 85 PM10
## 2993 2017-08-10 DKI4 (Lubang Buaya) 54 50 14 85 9 85 O3
## 2994 2017-08-11 DKI4 (Lubang Buaya) 59 50 33 83 7 83 O3
## 2995 2017-08-12 DKI4 (Lubang Buaya) 68 51 18 70 4 70 O3
## 2996 2017-08-13 DKI4 (Lubang Buaya) 69 51 15 62 1 69 PM10
## 2997 2017-08-14 DKI4 (Lubang Buaya) 80 51 21 94 5 94 O3
## 3000 2017-08-17 DKI4 (Lubang Buaya) 72 51 16 86 3 86 O3
## 3001 2017-08-18 DKI4 (Lubang Buaya) 73 51 13 62 3 73 PM10
## 3002 2017-08-19 DKI4 (Lubang Buaya) 60 51 8 56 2 60 PM10
## 3014 2017-08-31 DKI4 (Lubang Buaya) 74 51 13 68 8 74 PM10
## 3136 2017-09-01 DKI4 (Lubang Buaya) 64 51 9 62 7 64 PM10
## 3137 2017-09-02 DKI4 (Lubang Buaya) 78 51 10 65 11 78 PM10
## 3138 2017-09-03 DKI4 (Lubang Buaya) 107 51 19 57 10 107 PM10
## 3139 2017-09-04 DKI4 (Lubang Buaya) 103 52 18 89 11 103 PM10
## 3140 2017-09-05 DKI4 (Lubang Buaya) 64 52 9 64 9 64 PM10
## 3141 2017-09-06 DKI4 (Lubang Buaya) 66 51 18 55 12 66 PM10
## 3142 2017-09-07 DKI4 (Lubang Buaya) 68 51 13 51 11 68 PM10
## 3143 2017-09-08 DKI4 (Lubang Buaya) 78 52 11 56 12 78 PM10
## 3144 2017-09-09 DKI4 (Lubang Buaya) 72 52 11 61 10 72 PM10
## 3145 2017-09-10 DKI4 (Lubang Buaya) 59 52 9 86 8 86 O3
## 3146 2017-09-11 DKI4 (Lubang Buaya) 65 51 14 75 9 75 O3
## 3147 2017-09-12 DKI4 (Lubang Buaya) 91 52 17 67 20 91 PM10
## 3148 2017-09-13 DKI4 (Lubang Buaya) 71 53 14 120 11 120 O3
## 3149 2017-09-14 DKI4 (Lubang Buaya) 89 53 18 105 11 105 O3
## 3150 2017-09-15 DKI4 (Lubang Buaya) 93 52 23 99 11 99 O3
## 3151 2017-09-16 DKI4 (Lubang Buaya) 75 52 16 57 12 75 PM10
## 3152 2017-09-17 DKI4 (Lubang Buaya) 60 52 11 56 9 60 PM10
## 3153 2017-09-18 DKI4 (Lubang Buaya) 66 52 8 40 10 66 PM10
## 3154 2017-09-19 DKI4 (Lubang Buaya) 60 52 7 79 7 79 O3
## 3155 2017-09-20 DKI4 (Lubang Buaya) 58 52 7 83 7 83 O3
## 3156 2017-09-21 DKI4 (Lubang Buaya) 77 54 14 63 21 77 PM10
## 3157 2017-09-22 DKI4 (Lubang Buaya) 68 52 15 93 12 93 O3
## 3158 2017-09-23 DKI4 (Lubang Buaya) 81 53 22 75 13 81 PM10
## 3159 2017-09-24 DKI4 (Lubang Buaya) 73 54 12 64 9 73 PM10
## 3160 2017-09-25 DKI4 (Lubang Buaya) 68 52 15 62 12 68 PM10
## 3161 2017-09-26 DKI4 (Lubang Buaya) 75 51 22 47 11 75 PM10
## 3162 2017-09-27 DKI4 (Lubang Buaya) 45 51 6 22 6 51 SO2
## 3163 2017-09-28 DKI4 (Lubang Buaya) 61 51 29 89 12 89 O3
## 3165 2017-09-30 DKI4 (Lubang Buaya) 54 52 11 43 11 54 PM10
## 3290 2017-10-02 DKI4 (Lubang Buaya) 55 52 23 52 9 55 PM10
## 3291 2017-10-03 DKI4 (Lubang Buaya) 58 51 28 56 13 58 PM10
## 3292 2017-10-04 DKI4 (Lubang Buaya) 56 52 15 72 11 72 O3
## 3293 2017-10-05 DKI4 (Lubang Buaya) 66 52 16 50 9 66 PM10
## 3294 2017-10-06 DKI4 (Lubang Buaya) 62 52 8 56 8 62 PM10
## 3295 2017-10-07 DKI4 (Lubang Buaya) 71 52 17 76 9 76 O3
## 3296 2017-10-08 DKI4 (Lubang Buaya) 66 52 10 57 9 66 PM10
## 3297 2017-10-09 DKI4 (Lubang Buaya) 72 52 17 64 13 72 PM10
## 3298 2017-10-10 DKI4 (Lubang Buaya) 58 51 27 82 14 82 O3
## 3299 2017-10-11 DKI4 (Lubang Buaya) 67 52 16 75 22 75 O3
## 3300 2017-10-12 DKI4 (Lubang Buaya) 77 52 16 81 16 81 O3
## 3301 2017-10-13 DKI4 (Lubang Buaya) 55 52 23 72 15 72 O3
## 3302 2017-10-14 DKI4 (Lubang Buaya) 52 53 8 69 10 69 O3
## 3303 2017-10-15 DKI4 (Lubang Buaya) 61 53 5 89 8 89 O3
## 3304 2017-10-16 DKI4 (Lubang Buaya) 44 53 6 55 10 55 O3
## 3305 2017-10-17 DKI4 (Lubang Buaya) 52 52 11 62 10 62 O3
## 3306 2017-10-18 DKI4 (Lubang Buaya) 61 53 9 91 15 91 O3
## 3307 2017-10-19 DKI4 (Lubang Buaya) 57 52 16 86 14 86 O3
## 3308 2017-10-20 DKI4 (Lubang Buaya) 51 52 25 71 13 71 O3
## 3309 2017-10-21 DKI4 (Lubang Buaya) 84 53 42 104 15 104 O3
## 3310 2017-10-22 DKI4 (Lubang Buaya) 67 53 13 80 9 80 O3
## 3311 2017-10-23 DKI4 (Lubang Buaya) 66 52 16 78 10 78 O3
## 3312 2017-10-24 DKI4 (Lubang Buaya) 51 52 10 110 8 110 O3
## 3313 2017-10-25 DKI4 (Lubang Buaya) 52 52 9 93 10 93 O3
## 3314 2017-10-26 DKI4 (Lubang Buaya) 61 53 9 53 12 61 PM10
## 3315 2017-10-27 DKI4 (Lubang Buaya) 56 53 10 77 14 77 O3
## 3316 2017-10-28 DKI4 (Lubang Buaya) 73 52 15 69 11 73 PM10
## 3317 2017-10-29 DKI4 (Lubang Buaya) 80 52 29 53 9 80 PM10
## 3318 2017-10-30 DKI4 (Lubang Buaya) 74 52 16 52 15 74 PM10
## 3319 2017-10-31 DKI4 (Lubang Buaya) 57 52 9 77 12 77 O3
## 3441 2017-11-01 DKI4 (Lubang Buaya) 55 53 6 100 9 100 O3
## 3442 2017-11-02 DKI4 (Lubang Buaya) 83 54 8 98 10 98 O3
## 3443 2017-11-03 DKI4 (Lubang Buaya) 65 53 8 86 15 86 O3
## 3444 2017-11-04 DKI4 (Lubang Buaya) 66 53 4 71 24 71 O3
## 3445 2017-11-05 DKI4 (Lubang Buaya) 72 53 7 63 12 72 PM10
## 3448 2017-11-08 DKI4 (Lubang Buaya) 57 53 18 49 9 57 PM10
## 3450 2017-11-10 DKI4 (Lubang Buaya) 52 53 10 106 11 106 O3
## 3451 2017-11-11 DKI4 (Lubang Buaya) 58 53 12 122 12 122 O3
## 3452 2017-11-12 DKI4 (Lubang Buaya) 48 52 9 99 9 99 O3
## 3453 2017-11-13 DKI4 (Lubang Buaya) 51 53 13 52 11 53 SO2
## 3454 2017-11-14 DKI4 (Lubang Buaya) 54 53 19 89 11 89 O3
## 3455 2017-11-15 DKI4 (Lubang Buaya) 46 53 10 98 20 98 O3
## 3456 2017-11-16 DKI4 (Lubang Buaya) 72 53 11 85 15 85 O3
## 3457 2017-11-17 DKI4 (Lubang Buaya) 51 53 20 126 18 126 O3
## 3458 2017-11-18 DKI4 (Lubang Buaya) 55 53 16 55 10 55 PM10
## 3462 2017-11-22 DKI4 (Lubang Buaya) 65 53 13 117 10 117 O3
## 3463 2017-11-23 DKI4 (Lubang Buaya) 51 53 10 50 8 53 SO2
## 3464 2017-11-24 DKI4 (Lubang Buaya) 38 53 6 31 6 53 SO2
## 3465 2017-11-25 DKI4 (Lubang Buaya) 40 53 6 24 7 53 SO2
## 3595 2017-12-02 DKI4 (Lubang Buaya) 35 26 8 22 5 35 PM10
## 3598 2017-12-05 DKI4 (Lubang Buaya) 37 27 7 50 6 50 O3
## 3599 2017-12-06 DKI4 (Lubang Buaya) 43 28 6 86 7 86 O3
## 3600 2017-12-07 DKI4 (Lubang Buaya) 41 31 5 66 8 66 O3
## 3605 2017-12-12 DKI4 (Lubang Buaya) 24 27 12 46 8 46 O3
## 3607 2017-12-14 DKI4 (Lubang Buaya) 35 28 7 58 13 58 O3
## 3608 2017-12-15 DKI4 (Lubang Buaya) 41 28 7 35 7 41 PM10
## 3609 2017-12-16 DKI4 (Lubang Buaya) 63 29 14 38 7 63 PM10
## 3613 2017-12-20 DKI4 (Lubang Buaya) 39 28 8 33 9 39 PM10
## 3614 2017-12-21 DKI4 (Lubang Buaya) 35 28 15 34 7 35 PM10
## 3622 2017-12-29 DKI4 (Lubang Buaya) 72 35 27 77 13 77 O3
## 3623 2017-12-30 DKI4 (Lubang Buaya) 60 34 19 56 9 60 PM10
## 3624 2017-12-31 DKI4 (Lubang Buaya) 63 33 25 36 9 63 PM10
## 3749 2018-01-01 DKI4 (Lubang Buaya) 76 31 31 33 6 76 PM10
## 3750 2018-01-02 DKI4 (Lubang Buaya) 23 31 7 36 3 36 O3
## 3751 2018-01-03 DKI4 (Lubang Buaya) 53 35 16 96 10 96 O3
## 3752 2018-01-04 DKI4 (Lubang Buaya) 53 33 12 49 9 53 PM10
## 3753 2018-01-05 DKI4 (Lubang Buaya) 44 32 12 18 6 44 PM10
## 3754 2018-01-06 DKI4 (Lubang Buaya) 18 30 5 21 4 30 SO2
## 3755 2018-01-07 DKI4 (Lubang Buaya) 26 30 8 19 5 30 SO2
## 3756 2018-01-08 DKI4 (Lubang Buaya) 62 32 16 48 6 62 PM10
## 3757 2018-01-09 DKI4 (Lubang Buaya) 45 32 11 37 7 45 PM10
## 3758 2018-01-10 DKI4 (Lubang Buaya) 36 34 12 55 9 55 O3
## 3759 2018-01-11 DKI4 (Lubang Buaya) 37 38 9 43 7 43 O3
## 3760 2018-01-12 DKI4 (Lubang Buaya) 37 33 13 47 9 47 O3
## 3762 2018-01-14 DKI4 (Lubang Buaya) 26 72 7 29 5 72 SO2
## 3765 2018-01-17 DKI4 (Lubang Buaya) 35 52 12 28 11 52 SO2
## 3767 2018-01-19 DKI4 (Lubang Buaya) 36 51 29 24 13 51 SO2
## 3768 2018-01-20 DKI4 (Lubang Buaya) 24 51 7 29 5 51 SO2
## 3769 2018-01-21 DKI4 (Lubang Buaya) 21 51 6 31 4 51 SO2
## 3770 2018-01-22 DKI4 (Lubang Buaya) 20 52 7 25 3 52 SO2
## 3771 2018-01-23 DKI4 (Lubang Buaya) 22 52 7 45 5 52 SO2
## 3772 2018-01-24 DKI4 (Lubang Buaya) 33 53 15 38 7 53 SO2
## 3773 2018-01-25 DKI4 (Lubang Buaya) 21 53 8 23 6 53 SO2
## 3774 2018-01-26 DKI4 (Lubang Buaya) 18 53 7 19 5 53 SO2
## 3775 2018-01-27 DKI4 (Lubang Buaya) 23 54 6 31 4 54 SO2
## 3776 2018-01-28 DKI4 (Lubang Buaya) 34 55 9 33 6 55 SO2
## 3777 2018-01-29 DKI4 (Lubang Buaya) 16 54 8 13 5 54 SO2
## 3779 2018-01-31 DKI4 (Lubang Buaya) 21 54 8 31 5 54 SO2
## 3895 2018-02-01 DKI4 (Lubang Buaya) 37 43 21 40 9 43 SO2
## 3896 2018-02-02 DKI4 (Lubang Buaya) 44 45 33 41 12 45 SO2
## 3897 2018-02-03 DKI4 (Lubang Buaya) 39 44 16 39 12 44 SO2
## 3898 2018-02-04 DKI4 (Lubang Buaya) 32 47 17 34 11 47 SO2
## 3899 2018-02-05 DKI4 (Lubang Buaya) 26 46 11 26 7 46 SO2
## 3900 2018-02-06 DKI4 (Lubang Buaya) 45 48 23 38 11 48 SO2
## 3901 2018-02-07 DKI4 (Lubang Buaya) 42 50 23 35 11 50 SO2
## 3902 2018-02-08 DKI4 (Lubang Buaya) 52 49 38 31 11 52 PM10
## 3904 2018-02-10 DKI4 (Lubang Buaya) 40 2 30 34 10 40 PM10
## 3905 2018-02-11 DKI4 (Lubang Buaya) 35 3 12 29 7 35 PM10
## 3906 2018-02-12 DKI4 (Lubang Buaya) 50 2 24 40 7 50 PM10
## 3907 2018-02-13 DKI4 (Lubang Buaya) 57 2 17 38 10 57 PM10
## 3909 2018-02-15 DKI4 (Lubang Buaya) 55 2 47 22 12 55 PM10
## 3910 2018-02-16 DKI4 (Lubang Buaya) 19 2 11 31 5 31 O3
## 3911 2018-02-17 DKI4 (Lubang Buaya) 53 3 18 31 11 53 PM10
## 3912 2018-02-18 DKI4 (Lubang Buaya) 30 3 11 45 6 45 O3
## 3913 2018-02-19 DKI4 (Lubang Buaya) 30 3 11 34 7 34 O3
## 3914 2018-02-20 DKI4 (Lubang Buaya) 45 5 22 41 11 45 PM10
## 3915 2018-02-21 DKI4 (Lubang Buaya) 57 5 12 41 11 57 PM10
## 3916 2018-02-22 DKI4 (Lubang Buaya) 53 4 20 35 10 53 PM10
## 3917 2018-02-23 DKI4 (Lubang Buaya) 64 5 20 61 14 64 PM10
## 3918 2018-02-24 DKI4 (Lubang Buaya) 41 2 12 42 10 42 O3
## 3921 2018-02-27 DKI4 (Lubang Buaya) 37 3 19 52 12 52 O3
## 3922 2018-02-28 DKI4 (Lubang Buaya) 54 2 16 43 10 54 PM10
## 4044 2018-03-01 DKI4 (Lubang Buaya) 72 3 27 70 15 72 PM10
## 4045 2018-03-02 DKI4 (Lubang Buaya) 51 4 18 95 11 95 O3
## 4046 2018-03-03 DKI4 (Lubang Buaya) 62 6 12 54 18 62 PM10
## 4047 2018-03-04 DKI4 (Lubang Buaya) 60 5 23 95 19 95 O3
## 4048 2018-03-05 DKI4 (Lubang Buaya) 61 4 27 50 11 61 PM10
## 4049 2018-03-06 DKI4 (Lubang Buaya) 64 24 21 62 13 64 PM10
## 4050 2018-03-07 DKI4 (Lubang Buaya) 55 21 27 32 10 55 PM10
## 4051 2018-03-08 DKI4 (Lubang Buaya) 50 21 14 44 9 50 PM10
## 4052 2018-03-09 DKI4 (Lubang Buaya) 53 22 21 48 12 53 PM10
## 4053 2018-03-10 DKI4 (Lubang Buaya) 53 23 23 27 9 53 PM10
## 4054 2018-03-11 DKI4 (Lubang Buaya) 39 22 14 32 8 39 PM10
## 4055 2018-03-12 DKI4 (Lubang Buaya) 32 22 16 40 9 40 O3
## 4056 2018-03-13 DKI4 (Lubang Buaya) 33 25 9 33 5 33 PM10
## 4057 2018-03-14 DKI4 (Lubang Buaya) 58 28 16 61 8 61 O3
## 4058 2018-03-15 DKI4 (Lubang Buaya) 56 24 15 42 9 56 PM10
## 4059 2018-03-16 DKI4 (Lubang Buaya) 75 26 15 66 11 75 PM10
## 4060 2018-03-17 DKI4 (Lubang Buaya) 66 22 16 46 18 66 PM10
## 4061 2018-03-18 DKI4 (Lubang Buaya) 64 23 39 85 8 85 O3
## 4062 2018-03-19 DKI4 (Lubang Buaya) 41 23 14 79 9 79 O3
## 4063 2018-03-20 DKI4 (Lubang Buaya) 46 22 12 88 22 88 O3
## 4064 2018-03-21 DKI4 (Lubang Buaya) 62 21 31 87 13 87 O3
## 4065 2018-03-22 DKI4 (Lubang Buaya) 27 21 8 39 6 39 O3
## 4066 2018-03-23 DKI4 (Lubang Buaya) 75 22 30 90 10 90 O3
## 4067 2018-03-24 DKI4 (Lubang Buaya) 60 23 15 37 11 60 PM10
## 4068 2018-03-25 DKI4 (Lubang Buaya) 36 21 11 38 9 38 O3
## 4069 2018-03-26 DKI4 (Lubang Buaya) 51 21 21 36 12 51 PM10
## 4070 2018-03-27 DKI4 (Lubang Buaya) 41 22 11 43 6 43 O3
## 4071 2018-03-28 DKI4 (Lubang Buaya) 75 23 30 66 26 75 PM10
## 4072 2018-03-29 DKI4 (Lubang Buaya) 71 25 22 105 19 105 O3
## 4073 2018-03-30 DKI4 (Lubang Buaya) 56 25 20 68 30 68 O3
## 4074 2018-03-31 DKI4 (Lubang Buaya) 37 22 9 39 8 39 O3
## 4196 2018-04-01 DKI4 (Lubang Buaya) 37 21 7 42 4 42 O3
## 4197 2018-04-02 DKI4 (Lubang Buaya) 36 22 12 37 5 37 O3
## 4198 2018-04-03 DKI4 (Lubang Buaya) 47 22 19 39 11 47 PM10
## 4199 2018-04-04 DKI4 (Lubang Buaya) 39 24 9 48 14 48 O3
## 4200 2018-04-05 DKI4 (Lubang Buaya) 81 28 23 91 14 91 O3
## 4201 2018-04-06 DKI4 (Lubang Buaya) 52 24 14 46 11 52 PM10
## 4202 2018-04-07 DKI4 (Lubang Buaya) 68 24 24 41 9 68 PM10
## 4203 2018-04-08 DKI4 (Lubang Buaya) 43 23 9 27 8 43 PM10
## 4204 2018-04-09 DKI4 (Lubang Buaya) 51 22 15 49 7 51 PM10
## 4205 2018-04-10 DKI4 (Lubang Buaya) 45 23 15 43 9 45 PM10
## 4206 2018-04-11 DKI4 (Lubang Buaya) 71 24 23 48 11 71 PM10
## 4207 2018-04-12 DKI4 (Lubang Buaya) 67 24 11 26 8 67 PM10
## 4210 2018-04-15 DKI4 (Lubang Buaya) 59 24 17 63 11 63 O3
## 4211 2018-04-16 DKI4 (Lubang Buaya) 65 23 27 71 13 71 O3
## 4212 2018-03-17 DKI4 (Lubang Buaya) 63 23 24 69 16 69 O3
## 4213 2018-04-18 DKI4 (Lubang Buaya) 81 25 21 75 14 81 PM10
## 4214 2018-04-19 DKI4 (Lubang Buaya) 86 25 33 59 18 86 PM10
## 4215 2018-04-20 DKI4 (Lubang Buaya) 76 24 24 33 11 76 PM10
## 4216 2018-04-21 DKI4 (Lubang Buaya) 73 23 41 58 13 73 PM10
## 4217 2018-04-22 DKI4 (Lubang Buaya) 70 26 29 45 14 70 PM10
## 4218 2018-03-23 DKI4 (Lubang Buaya) 51 22 30 43 11 51 PM10
## 4219 2018-04-24 DKI4 (Lubang Buaya) 54 23 32 45 15 54 PM10
## 4220 2018-04-25 DKI4 (Lubang Buaya) 56 23 37 18 10 56 PM10
## 4221 2018-04-26 DKI4 (Lubang Buaya) 63 24 33 13 12 63 PM10
## 4223 2018-04-28 DKI4 (Lubang Buaya) 41 25 13 55 11 55 O3
## 4224 2018-04-29 DKI4 (Lubang Buaya) 54 23 21 66 9 66 O3
## 4225 2018-04-30 DKI4 (Lubang Buaya) 78 24 29 89 22 89 O3
## 4349 2018-05-01 DKI4 (Lubang Buaya) 73 25 14 57 8 73 PM10
## 4350 2018-05-02 DKI4 (Lubang Buaya) 88 25 20 75 15 88 PM10
## 4351 2018-05-03 DKI4 (Lubang Buaya) 103 27 23 70 16 103 PM10
## 4352 2018-05-04 DKI4 (Lubang Buaya) 87 24 46 60 15 87 PM10
## 4353 2018-05-05 DKI4 (Lubang Buaya) 72 26 27 65 13 72 PM10
## 4354 2018-05-06 DKI4 (Lubang Buaya) 70 26 11 46 10 70 PM10
## 4355 2018-05-07 DKI4 (Lubang Buaya) 68 27 13 40 9 68 PM10
## 4356 2018-05-08 DKI4 (Lubang Buaya) 79 26 18 96 14 96 O3
## 4357 2018-05-09 DKI4 (Lubang Buaya) 93 27 21 60 12 93 PM10
## 4358 2018-05-10 DKI4 (Lubang Buaya) 73 25 12 57 10 73 PM10
## 4359 2018-05-11 DKI4 (Lubang Buaya) 74 27 12 41 12 74 PM10
## 4360 2018-05-12 DKI4 (Lubang Buaya) 103 27 27 75 11 103 PM10
## 4361 2018-05-13 DKI4 (Lubang Buaya) 96 26 23 61 11 96 PM10
## 4362 2018-05-14 DKI4 (Lubang Buaya) 87 26 15 92 10 92 O3
## 4363 2018-05-15 DKI4 (Lubang Buaya) 94 27 24 74 15 94 PM10
## 4364 2018-05-16 DKI4 (Lubang Buaya) 87 28 15 53 9 87 PM10
## 4365 2018-05-17 DKI4 (Lubang Buaya) 65 25 16 39 11 65 PM10
## 4366 2018-05-18 DKI4 (Lubang Buaya) 74 26 20 42 9 74 PM10
## 4367 2018-05-19 DKI4 (Lubang Buaya) 59 24 13 62 9 62 O3
## 4368 2018-05-20 DKI4 (Lubang Buaya) 57 25 29 49 10 57 PM10
## 4369 2018-05-21 DKI4 (Lubang Buaya) 56 25 20 60 9 60 O3
## 4370 2018-05-22 DKI4 (Lubang Buaya) 55 25 12 34 7 55 PM10
## 4371 2018-05-23 DKI4 (Lubang Buaya) 58 26 10 30 9 58 PM10
## 4372 2018-05-24 DKI4 (Lubang Buaya) 42 25 12 53 8 53 O3
## 4373 2018-05-25 DKI4 (Lubang Buaya) 61 26 22 57 10 61 PM10
## 4374 2018-05-26 DKI4 (Lubang Buaya) 71 29 15 51 11 71 PM10
## 4375 2018-05-27 DKI4 (Lubang Buaya) 62 26 22 56 8 62 PM10
## 4376 2018-05-28 DKI4 (Lubang Buaya) 61 24 55 64 9 64 O3
## 4377 2018-05-29 DKI4 (Lubang Buaya) 84 28 20 57 12 84 PM10
## 4378 2018-05-30 DKI4 (Lubang Buaya) 86 25 24 67 13 86 PM10
## 4379 2018-05-31 DKI4 (Lubang Buaya) 83 28 21 114 20 114 O3
## 4501 2018-06-01 DKI4 (Lubang Buaya) 69 25 23 94 11 94 O3
## 4502 2018-06-02 DKI4 (Lubang Buaya) 78 26 13 46 10 78 PM10
## 4503 2018-06-03 DKI4 (Lubang Buaya) 82 26 16 61 8 82 PM10
## 4504 2018-06-04 DKI4 (Lubang Buaya) 73 27 11 61 9 73 PM10
## 4505 2018-06-05 DKI4 (Lubang Buaya) 67 26 11 70 8 70 O3
## 4506 2018-06-06 DKI4 (Lubang Buaya) 78 26 13 71 8 78 PM10
## 4507 2018-06-07 DKI4 (Lubang Buaya) 79 25 15 86 7 86 O3
## 4508 2018-06-08 DKI4 (Lubang Buaya) 68 27 13 62 10 68 PM10
## 4509 2018-06-09 DKI4 (Lubang Buaya) 100 27 39 73 19 100 PM10
## 4510 2018-06-10 DKI4 (Lubang Buaya) 75 26 23 107 11 107 O3
## 4511 2018-06-11 DKI4 (Lubang Buaya) 70 27 11 96 8 96 O3
## 4512 2018-06-12 DKI4 (Lubang Buaya) 66 26 13 67 7 67 O3
## 4513 2018-06-13 DKI4 (Lubang Buaya) 64 25 30 66 8 66 O3
## 4514 2018-06-14 DKI4 (Lubang Buaya) 55 25 13 51 4 55 PM10
## 4515 2018-06-15 DKI4 (Lubang Buaya) 56 26 18 60 8 60 O3
## 4516 2018-06-16 DKI4 (Lubang Buaya) 61 25 24 49 10 61 PM10
## 4517 2018-06-17 DKI4 (Lubang Buaya) 48 27 7 42 5 48 PM10
## 4518 2018-06-18 DKI4 (Lubang Buaya) 51 27 6 36 4 51 PM10
## 4519 2018-06-19 DKI4 (Lubang Buaya) 60 26 10 44 8 60 PM10
## 4520 2018-06-20 DKI4 (Lubang Buaya) 73 26 14 37 6 73 PM10
## 4521 2018-06-21 DKI4 (Lubang Buaya) 51 27 6 34 5 51 PM10
## 4522 2018-06-22 DKI4 (Lubang Buaya) 66 28 16 31 10 66 PM10
## 4523 2018-06-23 DKI4 (Lubang Buaya) 81 27 14 29 7 81 PM10
## 4524 2018-06-24 DKI4 (Lubang Buaya) 50 25 9 62 7 62 O3
## 4525 2018-06-25 DKI4 (Lubang Buaya) 35 25 11 54 8 54 O3
## 4526 2018-06-26 DKI4 (Lubang Buaya) 44 26 26 63 11 63 O3
## 4527 2018-06-27 DKI4 (Lubang Buaya) 60 26 22 48 14 60 PM10
## 4528 2018-06-28 DKI4 (Lubang Buaya) 69 27 24 72 10 72 O3
## 4529 2018-06-29 DKI4 (Lubang Buaya) 65 28 14 66 9 66 O3
## 4530 2018-06-30 DKI4 (Lubang Buaya) 65 30 13 99 12 99 O3
## 4654 2018-07-01 DKI4 (Lubang Buaya) 96 28 27 97 13 97 O3
## 4655 2018-07-02 DKI4 (Lubang Buaya) 79 29 21 48 11 79 PM10
## 4656 2018-07-03 DKI4 (Lubang Buaya) 79 29 18 95 10 95 O3
## 4657 2018-07-04 DKI4 (Lubang Buaya) 104 31 24 96 16 104 PM10
## 4658 2018-07-05 DKI4 (Lubang Buaya) 63 29 14 62 11 63 PM10
## 4659 2018-07-06 DKI4 (Lubang Buaya) 74 31 12 84 11 84 O3
## 4660 2018-07-07 DKI4 (Lubang Buaya) 95 30 32 55 15 95 PM10
## 4661 2018-07-08 DKI4 (Lubang Buaya) 95 29 30 50 14 95 PM10
## 4662 2018-07-09 DKI4 (Lubang Buaya) 63 29 12 76 13 76 O3
## 4663 2018-07-10 DKI4 (Lubang Buaya) 87 29 19 45 11 87 PM10
## 4664 2018-07-11 DKI4 (Lubang Buaya) 70 32 16 48 14 70 PM10
## 4665 2018-07-12 DKI4 (Lubang Buaya) 74 32 12 77 10 77 O3
## 4667 2018-07-14 DKI4 (Lubang Buaya) 84 33 18 81 14 84 PM10
## 4668 2018-07-15 DKI4 (Lubang Buaya) 59 29 10 86 10 86 O3
## 4669 2018-07-16 DKI4 (Lubang Buaya) 61 33 11 87 12 87 O3
## 4670 2018-07-17 DKI4 (Lubang Buaya) 81 30 20 86 12 86 O3
## 4671 2018-07-18 DKI4 (Lubang Buaya) 88 29 19 77 14 88 PM10
## 4672 2018-07-19 DKI4 (Lubang Buaya) 82 30 14 72 13 82 PM10
## 4673 2018-07-20 DKI4 (Lubang Buaya) 79 30 14 57 11 79 PM10
## 4674 2018-07-21 DKI4 (Lubang Buaya) 74 32 9 79 9 79 O3
## 4675 2018-07-22 DKI4 (Lubang Buaya) 77 29 21 48 11 77 PM10
## 4677 2018-07-24 DKI4 (Lubang Buaya) 92 32 22 72 15 92 PM10
## 4678 2018-07-25 DKI4 (Lubang Buaya) 75 29 18 91 11 91 O3
## 4679 2018-07-26 DKI4 (Lubang Buaya) 78 33 21 80 12 80 O3
## 4680 2018-07-27 DKI4 (Lubang Buaya) 86 31 14 95 12 95 O3
## 4681 2018-07-28 DKI4 (Lubang Buaya) 92 32 28 118 13 118 O3
## 4682 2018-07-29 DKI4 (Lubang Buaya) 74 30 19 89 13 89 O3
## 4683 2018-07-30 DKI4 (Lubang Buaya) 92 31 22 78 16 92 PM10
## 4684 2018-07-31 DKI4 (Lubang Buaya) 79 29 16 83 10 83 O3
## 4809 2018-08-01 DKI4 (Lubang Buaya) 86 31 17 92 14 92 O3
## 4810 2018-08-02 DKI4 (Lubang Buaya) 68 31 8 103 13 103 O3
## 4811 2018-08-03 DKI4 (Lubang Buaya) 68 32 11 88 14 88 O3
## 4812 2018-08-04 DKI4 (Lubang Buaya) 59 31 8 87 12 87 O3
## 4813 2018-08-05 DKI4 (Lubang Buaya) 65 35 11 84 11 84 O3
## 4814 2018-08-06 DKI4 (Lubang Buaya) 71 34 10 97 11 97 O3
## 4815 2018-08-07 DKI4 (Lubang Buaya) 79 34 19 79 13 79 PM10
## 4818 2018-08-10 DKI4 (Lubang Buaya) 65 33 7 63 16 65 PM10
## 4820 2018-08-12 DKI4 (Lubang Buaya) 77 31 14 63 11 77 PM10
## 4821 2018-08-13 DKI4 (Lubang Buaya) 66 30 9 55 7 66 PM10
## 4822 2018-08-14 DKI4 (Lubang Buaya) 72 31 7 65 9 72 PM10
## 4823 2018-08-15 DKI4 (Lubang Buaya) 62 30 8 67 11 67 O3
## 4824 2018-08-16 DKI4 (Lubang Buaya) 70 31 11 79 9 79 O3
## 4825 2018-08-17 DKI4 (Lubang Buaya) 62 31 7 76 7 76 O3
## 4826 2018-08-18 DKI4 (Lubang Buaya) 62 30 10 85 7 85 O3
## 4827 2018-08-19 DKI4 (Lubang Buaya) 79 32 15 70 13 79 PM10
## 4828 2018-08-20 DKI4 (Lubang Buaya) 80 30 17 51 11 80 PM10
## 4829 2018-08-21 DKI4 (Lubang Buaya) 73 32 12 76 11 76 O3
## 4830 2018-08-22 DKI4 (Lubang Buaya) 62 31 7 89 9 89 O3
## 4831 2018-08-23 DKI4 (Lubang Buaya) 60 30 8 89 16 89 O3
## 4832 2018-08-24 DKI4 (Lubang Buaya) 81 32 16 50 18 81 PM10
## 4833 2018-08-25 DKI4 (Lubang Buaya) 76 31 10 58 10 76 PM10
## 4834 2018-08-26 DKI4 (Lubang Buaya) 75 30 12 66 9 75 PM10
## 4835 2018-08-27 DKI4 (Lubang Buaya) 79 31 13 77 13 79 PM10
## 4836 2018-08-28 DKI4 (Lubang Buaya) 83 31 11 81 12 83 PM10
## 4837 2018-08-29 DKI4 (Lubang Buaya) 67 30 10 50 10 67 PM10
## 4838 2018-08-30 DKI4 (Lubang Buaya) 85 31 10 61 10 85 PM10
## 4839 2018-08-31 DKI4 (Lubang Buaya) 65 30 8 65 9 65 PM10
## 4961 2018-09-01 DKI4 (Lubang Buaya) 68 29 15 77 11 77 O3
## 4962 2018-09-02 DKI4 (Lubang Buaya) 73 30 14 65 8 73 PM10
## 4964 2018-09-04 DKI4 (Lubang Buaya) 52 37 7 71 24 71 O3
## 4965 2018-09-05 DKI4 (Lubang Buaya) 51 31 9 75 12 75 O3
## 4968 2018-09-08 DKI4 (Lubang Buaya) 47 33 9 72 10 72 O3
## 4969 2018-09-09 DKI4 (Lubang Buaya) 81 34 24 43 13 81 PM10
## 4970 2018-09-10 DKI4 (Lubang Buaya) 69 33 13 52 11 69 PM10
## 4971 2018-09-11 DKI4 (Lubang Buaya) 63 33 10 43 11 63 PM10
## 4972 2018-09-12 DKI4 (Lubang Buaya) 61 32 6 54 13 61 PM10
## 4973 2018-09-13 DKI4 (Lubang Buaya) 69 35 10 80 13 80 O3
## 4974 2018-09-14 DKI4 (Lubang Buaya) 62 36 9 80 8 80 O3
## 4975 2018-09-15 DKI4 (Lubang Buaya) 68 37 11 109 23 109 O3
## 4976 2018-09-16 DKI4 (Lubang Buaya) 82 34 12 63 11 82 PM10
## 4977 2018-09-17 DKI4 (Lubang Buaya) 62 33 12 45 12 62 PM10
## 4978 2018-09-18 DKI4 (Lubang Buaya) 64 32 12 49 9 64 PM10
## 4979 2018-09-19 DKI4 (Lubang Buaya) 58 34 8 40 10 58 PM10
## 4980 2018-09-20 DKI4 (Lubang Buaya) 70 34 12 42 11 70 PM10
## 4981 2018-09-21 DKI4 (Lubang Buaya) 80 33 18 34 11 80 PM10
## 4982 2018-09-22 DKI4 (Lubang Buaya) 55 33 18 83 12 83 O3
## 4983 2018-09-23 DKI4 (Lubang Buaya) 84 33 18 70 10 84 PM10
## 4984 2018-09-24 DKI4 (Lubang Buaya) 69 33 19 61 13 69 PM10
## 4985 2018-09-25 DKI4 (Lubang Buaya) 78 32 20 86 12 86 O3
## 4986 2018-09-26 DKI4 (Lubang Buaya) 94 33 18 77 15 94 PM10
## 4987 2018-09-27 DKI4 (Lubang Buaya) 72 34 13 93 9 93 O3
## 4988 2018-09-28 DKI4 (Lubang Buaya) 70 33 16 67 10 70 PM10
## 4989 2018-09-29 DKI4 (Lubang Buaya) 62 33 10 78 10 78 O3
## 4990 2018-09-30 DKI4 (Lubang Buaya) 63 32 12 68 11 68 O3
## 5114 2018-10-01 DKI4 (Lubang Buaya) 92 33 11 77 9 92 PM10
## 5115 2018-10-02 DKI4 (Lubang Buaya) 76 31 18 52 11 76 PM10
## 5116 2018-10-03 DKI4 (Lubang Buaya) 70 32 8 74 10 74 O3
## 5117 2018-10-04 DKI4 (Lubang Buaya) 73 32 11 72 7 73 PM10
## 5118 2018-10-05 DKI4 (Lubang Buaya) 67 34 6 67 5 67 PM10
## 5119 2018-10-06 DKI4 (Lubang Buaya) 70 33 6 69 6 70 PM10
## 5120 2018-10-07 DKI4 (Lubang Buaya) 87 34 12 49 9 87 PM10
## 5121 2018-10-08 DKI4 (Lubang Buaya) 66 34 9 61 7 66 PM10
## 5122 2018-10-09 DKI4 (Lubang Buaya) 62 34 7 61 8 62 PM10
## 5123 2018-10-10 DKI4 (Lubang Buaya) 79 36 15 87 13 87 O3
## 5124 2018-10-11 DKI4 (Lubang Buaya) 81 36 11 64 11 81 PM10
## 5125 2018-10-12 DKI4 (Lubang Buaya) 77 33 11 66 9 77 PM10
## 5126 2018-10-13 DKI4 (Lubang Buaya) 64 35 10 89 11 89 O3
## 5127 2018-10-14 DKI4 (Lubang Buaya) 86 35 11 68 9 86 PM10
## 5128 2018-10-15 DKI4 (Lubang Buaya) 73 33 11 65 11 73 PM10
## 5129 2018-10-16 DKI4 (Lubang Buaya) 74 33 14 84 10 84 O3
## 5130 2018-10-17 DKI4 (Lubang Buaya) 71 34 12 93 12 93 O3
## 5131 2018-10-18 DKI4 (Lubang Buaya) 61 36 6 93 14 93 O3
## 5132 2018-10-19 DKI4 (Lubang Buaya) 64 30 15 76 8 76 O3
## 5133 2018-10-20 DKI4 (Lubang Buaya) 57 28 11 84 13 84 O3
## 5134 2018-10-21 DKI4 (Lubang Buaya) 65 26 20 62 9 65 PM10
## 5135 2018-10-22 DKI4 (Lubang Buaya) 71 26 13 75 6 75 O3
## 5136 2018-10-23 DKI4 (Lubang Buaya) 44 26 14 64 8 64 O3
## 5137 2018-10-24 DKI4 (Lubang Buaya) 62 27 30 90 9 90 O3
## 5138 2018-10-25 DKI4 (Lubang Buaya) 67 28 21 76 9 76 O3
## 5140 2018-10-27 DKI4 (Lubang Buaya) 77 25 17 66 9 77 PM10
## 5141 2018-10-28 DKI4 (Lubang Buaya) 39 23 12 58 6 58 O3
## 5143 2018-10-30 DKI4 (Lubang Buaya) 61 26 15 57 7 61 PM10
## 5144 2018-10-31 DKI4 (Lubang Buaya) 47 23 14 59 6 59 O3
## 5266 2018-11-01 DKI4 (Lubang Buaya) 74 24 19 69 10 74 PM10
## 5267 2018-11-02 DKI4 (Lubang Buaya) 48 24 12 47 7 48 PM10
## 5268 2018-11-03 DKI4 (Lubang Buaya) 60 25 24 60 12 60 PM10
## 5269 2018-11-04 DKI4 (Lubang Buaya) 55 23 26 71 9 71 O3
## 5270 2018-11-05 DKI4 (Lubang Buaya) 56 23 17 77 3 77 O3
## 5271 2018-11-06 DKI4 (Lubang Buaya) 44 24 13 74 11 74 O3
## 5272 2018-11-07 DKI4 (Lubang Buaya) 54 24 22 86 11 86 O3
## 5273 2018-11-08 DKI4 (Lubang Buaya) 56 25 18 72 9 72 O3
## 5274 2018-11-09 DKI4 (Lubang Buaya) 61 24 20 65 15 65 O3
## 5275 2018-11-10 DKI4 (Lubang Buaya) 56 24 29 93 10 93 O3
## 5276 2018-11-11 DKI4 (Lubang Buaya) 63 24 33 62 9 63 PM10
## 5277 2018-11-12 DKI4 (Lubang Buaya) 51 24 31 52 11 52 O3
## 5278 2018-11-13 DKI4 (Lubang Buaya) 62 23 25 66 14 66 O3
## 5279 2018-11-14 DKI4 (Lubang Buaya) 46 23 17 41 10 46 PM10
## 5280 2018-11-15 DKI4 (Lubang Buaya) 27 23 11 33 4 33 O3
## 5281 2018-11-16 DKI4 (Lubang Buaya) 51 26 15 101 9 101 O3
## 5282 2018-11-17 DKI4 (Lubang Buaya) 59 31 9 93 13 93 O3
## 5283 2018-11-18 DKI4 (Lubang Buaya) 58 28 11 52 9 58 PM10
## 5284 2018-11-19 DKI4 (Lubang Buaya) 81 25 25 51 10 81 PM10
## 5285 2018-11-20 DKI4 (Lubang Buaya) 56 25 15 82 10 82 O3
## 5286 2018-11-21 DKI4 (Lubang Buaya) 59 25 17 93 15 93 O3
## 5287 2018-11-22 DKI4 (Lubang Buaya) 61 26 18 54 12 61 PM10
## 5288 2018-11-23 DKI4 (Lubang Buaya) 58 25 10 92 13 92 O3
## 5289 2018-11-24 DKI4 (Lubang Buaya) 58 24 29 72 12 72 O3
## 5290 2018-11-25 DKI4 (Lubang Buaya) 57 23 13 60 9 60 O3
## 5291 2018-11-26 DKI4 (Lubang Buaya) 72 24 26 63 10 72 PM10
## 5292 2018-11-27 DKI4 (Lubang Buaya) 57 24 27 61 10 61 O3
## 5293 2018-11-28 DKI4 (Lubang Buaya) 57 25 8 55 10 57 PM10
## 5294 2018-11-29 DKI4 (Lubang Buaya) 62 27 12 54 11 62 PM10
## 5295 2018-11-30 DKI4 (Lubang Buaya) 48 24 9 93 11 93 O3
## 5419 2018-12-01 DKI4 (Lubang Buaya) 53 26 16 61 13 61 O3
## 5420 2018-12-02 DKI4 (Lubang Buaya) 68 28 18 71 8 71 O3
## 5421 2018-12-03 DKI4 (Lubang Buaya) 63 31 17 55 11 63 PM10
## 5422 2018-12-04 DKI4 (Lubang Buaya) 51 24 17 56 11 56 O3
## 5423 2018-12-05 DKI4 (Lubang Buaya) 62 25 33 59 9 62 PM10
## 5424 2018-12-06 DKI4 (Lubang Buaya) 47 26 10 47 6 47 PM10
## 5425 2018-12-07 DKI4 (Lubang Buaya) 51 26 19 72 9 72 O3
## 5426 2018-12-08 DKI4 (Lubang Buaya) 59 25 18 63 11 63 O3
## 5427 2018-12-09 DKI4 (Lubang Buaya) 60 25 15 57 8 60 PM10
## 5428 2018-12-10 DKI4 (Lubang Buaya) 68 24 32 48 11 68 PM10
## 5429 2018-12-11 DKI4 (Lubang Buaya) 74 26 43 104 15 104 O3
## 5430 2018-12-12 DKI4 (Lubang Buaya) 58 26 30 67 11 67 O3
## 5431 2018-12-13 DKI4 (Lubang Buaya) 47 26 13 70 10 70 O3
## 5432 2018-12-14 DKI4 (Lubang Buaya) 41 24 11 60 10 60 O3
## 5434 2018-12-16 DKI4 (Lubang Buaya) 46 25 9 43 3 46 PM10
## 5436 2018-12-18 DKI4 (Lubang Buaya) 48 27 9 74 10 74 O3
## 5437 2018-12-19 DKI4 (Lubang Buaya) 62 27 20 118 10 118 O3
## 5438 2018-12-20 DKI4 (Lubang Buaya) 51 27 17 67 14 67 O3
## 5439 2018-12-21 DKI4 (Lubang Buaya) 34 25 8 37 5 37 O3
## 5440 2018-12-22 DKI4 (Lubang Buaya) 46 31 10 47 8 47 O3
## 5441 2018-12-23 DKI4 (Lubang Buaya) 39 26 12 42 7 42 O3
## 5442 2018-12-24 DKI4 (Lubang Buaya) 34 24 8 26 5 34 PM10
## 5443 2018-12-25 DKI4 (Lubang Buaya) 29 24 5 23 3 29 PM10
## 5444 2018-12-26 DKI4 (Lubang Buaya) 31 25 5 22 3 31 PM10
## 5445 2018-12-27 DKI4 (Lubang Buaya) 28 25 7 30 6 30 O3
## 5446 2018-12-28 DKI4 (Lubang Buaya) 25 24 4 23 3 25 PM10
## 5447 2018-12-29 DKI4 (Lubang Buaya) 30 24 4 21 2 30 PM10
## 5448 2018-12-30 DKI4 (Lubang Buaya) 48 8 3 21 3 48 PM10
## 5449 2018-12-31 DKI4 (Lubang Buaya) 33 8 6 20 4 33 PM10
## 5574 2019-01-01 DKI4 (Lubang Buaya) 16 7 6 24 3 24 O3
## 5575 2019-01-02 DKI4 (Lubang Buaya) 17 7 5 25 4 25 O3
## 5576 2019-01-03 DKI4 (Lubang Buaya) 15 7 5 26 4 26 O3
## 5577 2019-01-04 DKI4 (Lubang Buaya) 32 8 9 48 8 48 O3
## 5578 2019-01-05 DKI4 (Lubang Buaya) 50 9 10 51 8 51 O3
## 5579 2019-01-06 DKI4 (Lubang Buaya) 61 11 22 93 11 93 O3
## 5580 2019-01-07 DKI4 (Lubang Buaya) 70 17 16 62 11 70 PM10
## 5581 2019-01-08 DKI4 (Lubang Buaya) 51 22 11 84 15 84 O3
## 5585 2019-01-12 DKI4 (Lubang Buaya) 57 26 17 45 10 57 PM10
## 5586 2019-01-13 DKI4 (Lubang Buaya) 61 24 15 55 11 61 PM10
## 5587 2019-01-14 DKI4 (Lubang Buaya) 54 25 20 30 11 54 PM10
## 5588 2019-01-15 DKI4 (Lubang Buaya) 47 27 15 44 10 47 PM10
## 5589 2019-01-16 DKI4 (Lubang Buaya) 27 23 8 26 5 27 PM10
## 5590 2019-01-17 DKI4 (Lubang Buaya) 33 23 14 15 9 33 PM10
## 5591 2019-01-18 DKI4 (Lubang Buaya) 25 23 7 18 5 25 PM10
## 5592 2019-01-19 DKI4 (Lubang Buaya) 38 24 10 20 7 38 PM10
## 5593 2019-01-20 DKI4 (Lubang Buaya) 52 26 32 28 11 52 PM10
## 5594 2019-01-21 DKI4 (Lubang Buaya) 47 24 15 37 9 47 PM10
## 5595 2019-01-22 DKI4 (Lubang Buaya) 31 24 14 38 9 38 O3
## 5596 2019-01-23 DKI4 (Lubang Buaya) 46 23 23 32 9 46 PM10
## 5597 2019-01-24 DKI4 (Lubang Buaya) 39 19 19 33 10 39 PM10
## 5598 2019-01-25 DKI4 (Lubang Buaya) 26 15 23 27 7 27 O3
## 5599 2019-01-26 DKI4 (Lubang Buaya) 43 14 37 39 9 43 PM10
## 5600 2019-01-27 DKI4 (Lubang Buaya) 40 13 49 33 8 49 CO
## 5601 2019-01-28 DKI4 (Lubang Buaya) 32 20 28 28 8 32 PM10
## 5602 2019-01-29 DKI4 (Lubang Buaya) 33 19 33 27 8 33 PM10
## 5603 2019-01-30 DKI4 (Lubang Buaya) 32 21 21 31 9 32 PM10
## 5604 2019-01-31 DKI4 (Lubang Buaya) 24 19 15 36 8 36 O3
## 5720 2019-02-01 DKI4 (Lubang Buaya) 39 19 31 48 7 48 O3
## 5721 2019-02-02 DKI4 (Lubang Buaya) 49 20 46 54 9 54 O3
## 5722 2019-02-03 DKI4 (Lubang Buaya) 64 20 34 46 6 64 PM10
## 5723 2019-02-04 DKI4 (Lubang Buaya) 47 19 23 37 5 47 PM10
## 5724 2019-02-05 DKI4 (Lubang Buaya) 43 19 29 36 6 43 PM10
## 5725 2019-02-06 DKI4 (Lubang Buaya) 36 20 17 41 6 41 O3
## 5726 2019-02-07 DKI4 (Lubang Buaya) 57 21 24 35 7 57 PM10
## 5727 2019-02-08 DKI4 (Lubang Buaya) 53 23 19 79 10 79 O3
## 5728 2019-02-09 DKI4 (Lubang Buaya) 55 21 25 52 8 55 PM10
## 5731 2019-02-12 DKI4 (Lubang Buaya) 51 20 25 50 7 51 PM10
## 5732 2019-02-13 DKI4 (Lubang Buaya) 63 21 26 34 9 63 PM10
## 5733 2019-02-14 DKI4 (Lubang Buaya) 73 20 36 59 10 73 PM10
## 5734 2019-02-15 DKI4 (Lubang Buaya) 54 20 15 39 7 54 PM10
## 5735 2019-02-16 DKI4 (Lubang Buaya) 27 20 11 72 10 72 O3
## 5736 2019-02-17 DKI4 (Lubang Buaya) 32 20 20 65 12 65 O3
## 5737 2019-02-18 DKI4 (Lubang Buaya) 47 20 31 72 9 72 O3
## 5738 2019-02-19 DKI4 (Lubang Buaya) 72 23 30 78 12 78 O3
## 5739 2019-02-20 DKI4 (Lubang Buaya) 63 22 22 70 12 70 O3
## 5740 2019-02-21 DKI4 (Lubang Buaya) 55 21 25 61 8 61 O3
## 5741 2019-02-22 DKI4 (Lubang Buaya) 56 20 34 40 12 56 PM10
## 5742 2019-02-23 DKI4 (Lubang Buaya) 33 20 14 100 9 100 O3
## 5743 2019-02-24 DKI4 (Lubang Buaya) 51 20 27 86 8 86 O3
## 5744 2019-02-25 DKI4 (Lubang Buaya) 54 20 23 78 9 78 O3
## 5745 2019-02-26 DKI4 (Lubang Buaya) 61 22 18 52 7 61 PM10
## 5746 2019-02-27 DKI4 (Lubang Buaya) 64 21 17 45 7 64 PM10
## 5747 2019-02-28 DKI4 (Lubang Buaya) 36 21 16 27 7 36 PM10
## 5870 2019-03-02 DKI4 (Lubang Buaya) 34 20 18 48 8 48 O3
## 5871 2019-03-03 DKI4 (Lubang Buaya) 35 20 12 74 8 74 O3
## 5872 2019-03-04 DKI4 (Lubang Buaya) 45 21 26 73 9 73 O3
## 5873 2019-03-05 DKI4 (Lubang Buaya) 33 20 17 73 9 73 O3
## 5874 2019-03-06 DKI4 (Lubang Buaya) 34 21 23 42 12 42 O3
## 5875 2019-03-07 DKI4 (Lubang Buaya) 45 21 23 79 9 79 O3
## 5876 2019-03-08 DKI4 (Lubang Buaya) 76 22 40 75 13 76 PM10
## 5877 2019-03-09 DKI4 (Lubang Buaya) 63 22 24 100 12 100 O3
## 5878 2019-03-10 DKI4 (Lubang Buaya) 50 21 23 49 15 50 PM10
## 5879 2019-03-11 DKI4 (Lubang Buaya) 52 21 19 30 8 52 PM10
## 5880 2019-03-12 DKI4 (Lubang Buaya) 32 20 13 26 9 32 PM10
## 5881 2019-03-13 DKI4 (Lubang Buaya) 49 21 17 66 8 66 O3
## 5882 2019-03-14 DKI4 (Lubang Buaya) 58 22 35 92 11 92 O3
## 5883 2019-03-15 DKI4 (Lubang Buaya) 68 23 22 77 12 77 O3
## 5884 2019-03-16 DKI4 (Lubang Buaya) 56 20 19 46 8 56 PM10
## 5885 2019-03-17 DKI4 (Lubang Buaya) 33 21 13 29 5 33 PM10
## 5886 2019-03-18 DKI4 (Lubang Buaya) 35 21 13 34 5 35 PM10
## 5888 2019-03-20 DKI4 (Lubang Buaya) 38 20 9 37 3 38 PM10
## 5889 2019-03-21 DKI4 (Lubang Buaya) 50 21 21 32 7 50 PM10
## 5890 2019-03-22 DKI4 (Lubang Buaya) 32 20 24 38 4 38 O3
## 5891 2019-03-23 DKI4 (Lubang Buaya) 25 20 8 25 3 25 PM10
## 5892 2019-03-24 DKI4 (Lubang Buaya) 31 20 5 20 2 31 PM10
## 5893 2019-03-25 DKI4 (Lubang Buaya) 34 20 11 30 7 34 PM10
## 5894 2019-03-26 DKI4 (Lubang Buaya) 63 21 36 60 10 63 PM10
## 5895 2019-03-27 DKI4 (Lubang Buaya) 57 22 17 83 10 83 O3
## 5896 2019-03-28 DKI4 (Lubang Buaya) 40 21 17 61 15 61 O3
## 5897 2019-03-29 DKI4 (Lubang Buaya) 62 24 10 63 9 63 O3
## 5899 2019-03-31 DKI4 (Lubang Buaya) 62 23 24 83 9 83 O3
## 6021 2019-04-01 DKI4 (Lubang Buaya) 59 21 37 93 10 93 O3
## 6022 2019-04-02 DKI4 (Lubang Buaya) 58 21 34 76 12 76 O3
## 6023 2019-04-03 DKI4 (Lubang Buaya) 59 21 31 56 9 59 PM10
## 6024 2019-04-04 DKI4 (Lubang Buaya) 58 21 23 71 8 71 O3
## 6025 2019-04-05 DKI4 (Lubang Buaya) 57 25 12 49 11 57 PM10
## 6030 2019-04-10 DKI4 (Lubang Buaya) 82 25 31 118 19 118 O3
## 6031 2019-04-11 DKI4 (Lubang Buaya) 54 22 20 125 8 125 O3
## 6032 2019-04-12 DKI4 (Lubang Buaya) 50 22 38 46 8 50 PM10
## 6033 2019-04-13 DKI4 (Lubang Buaya) 44 21 42 55 9 55 O3
## 6034 2019-04-14 DKI4 (Lubang Buaya) 45 22 37 91 9 91 O3
## 6035 2019-04-15 DKI4 (Lubang Buaya) 64 22 39 83 10 83 O3
## 6036 2019-04-16 DKI4 (Lubang Buaya) 62 22 43 109 11 109 O3
## 6037 2019-04-17 DKI4 (Lubang Buaya) 60 22 27 80 9 80 O3
## 6038 2019-04-18 DKI4 (Lubang Buaya) 73 21 16 66 8 73 PM10
## 6039 2019-04-19 DKI4 (Lubang Buaya) 60 22 13 31 5 60 PM10
## 6041 2019-04-21 DKI4 (Lubang Buaya) 58 22 12 49 4 58 PM10
## 6044 2019-04-24 DKI4 (Lubang Buaya) 41 22 12 30 6 41 PM10
## 6045 2019-04-25 DKI4 (Lubang Buaya) 59 22 22 60 9 60 O3
## 6046 2019-04-26 DKI4 (Lubang Buaya) 34 21 12 98 7 98 O3
## 6047 2019-04-27 DKI4 (Lubang Buaya) 48 21 14 45 8 48 PM10
## 6048 2019-04-28 DKI4 (Lubang Buaya) 59 22 22 45 8 59 PM10
## 6176 2019-05-03 DKI4 (Lubang Buaya) 50 26 13 90 7 90 O3
## 6178 2019-05-05 DKI4 (Lubang Buaya) 47 22 25 70 8 70 O3
## 6181 2019-05-08 DKI4 (Lubang Buaya) 77 23 52 72 13 77 PM10
## 6182 2019-05-09 DKI4 (Lubang Buaya) 65 23 32 68 16 68 O3
## 6183 2019-05-10 DKI4 (Lubang Buaya) 52 22 16 61 11 61 O3
## 6185 2019-05-12 DKI4 (Lubang Buaya) 69 22 16 76 6 76 O3
## 6186 2019-05-13 DKI4 (Lubang Buaya) 57 22 33 76 11 76 O3
## 6187 2019-05-14 DKI4 (Lubang Buaya) 78 23 22 55 10 78 PM10
## 6188 2019-05-15 DKI4 (Lubang Buaya) 68 24 15 59 8 68 PM10
## 6189 2019-05-16 DKI4 (Lubang Buaya) 55 22 22 88 15 88 O3
## 6190 2019-05-17 DKI4 (Lubang Buaya) 56 23 16 90 11 90 O3
## 6191 2019-05-18 DKI4 (Lubang Buaya) 67 25 23 83 10 83 O3
## 6192 2019-05-19 DKI4 (Lubang Buaya) 86 24 24 74 10 86 PM10
## 6193 2019-05-20 DKI4 (Lubang Buaya) 82 24 14 65 9 82 PM10
## 6194 2019-05-21 DKI4 (Lubang Buaya) 79 22 19 71 9 79 PM10
## 6195 2019-05-22 DKI4 (Lubang Buaya) 67 25 15 60 10 67 PM10
## 6196 2019-05-23 DKI4 (Lubang Buaya) 67 23 17 56 9 67 PM10
## 6197 2019-05-24 DKI4 (Lubang Buaya) 64 26 16 40 11 64 PM10
## 6198 2019-05-25 DKI4 (Lubang Buaya) 74 25 23 59 8 74 PM10
## 6199 2019-05-26 DKI4 (Lubang Buaya) 78 24 20 58 8 78 PM10
## 6200 2019-05-27 DKI4 (Lubang Buaya) 86 24 20 67 9 86 PM10
## 6201 2019-05-28 DKI4 (Lubang Buaya) 62 25 12 49 9 62 PM10
## 6202 2019-05-29 DKI4 (Lubang Buaya) 56 25 13 60 9 60 O3
## 6203 2019-05-30 DKI4 (Lubang Buaya) 53 23 16 59 9 59 O3
## 6204 2019-05-31 DKI4 (Lubang Buaya) 60 23 16 62 7 62 O3
## 6326 2019-06-01 DKI4 (Lubang Buaya) 53 23 13 71 7 71 O3
## 6327 2019-06-02 DKI4 (Lubang Buaya) 56 23 15 82 7 82 O3
## 6328 2019-06-03 DKI4 (Lubang Buaya) 53 23 17 69 8 69 O3
## 6329 2019-06-04 DKI4 (Lubang Buaya) 71 24 19 71 10 71 PM10
## 6330 2019-06-05 DKI4 (Lubang Buaya) 82 25 26 56 12 82 PM10
## 6331 2019-06-06 DKI4 (Lubang Buaya) 51 23 7 55 5 55 O3
## 6332 2019-06-07 DKI4 (Lubang Buaya) 45 24 6 54 5 54 O3
## 6333 2019-06-08 DKI4 (Lubang Buaya) 50 22 9 65 9 65 O3
## 6334 2019-06-09 DKI4 (Lubang Buaya) 48 23 14 85 11 85 O3
## 6335 2019-06-10 DKI4 (Lubang Buaya) 57 23 15 68 9 68 O3
## 6336 2019-06-11 DKI4 (Lubang Buaya) 56 24 19 104 10 104 O3
## 6337 2019-06-12 DKI4 (Lubang Buaya) 57 24 18 89 11 89 O3
## 6338 2019-06-13 DKI4 (Lubang Buaya) 79 24 23 148 12 148 O3
## 6339 2019-06-14 DKI4 (Lubang Buaya) 73 25 18 71 9 73 PM10
## 6340 2019-06-15 DKI4 (Lubang Buaya) 52 24 18 90 11 90 O3
## 6341 2019-06-16 DKI4 (Lubang Buaya) 61 24 15 91 7 91 O3
## 6342 2019-06-17 DKI4 (Lubang Buaya) 75 25 17 72 11 75 PM10
## 6343 2019-06-18 DKI4 (Lubang Buaya) 62 27 9 59 11 62 PM10
## 6344 2019-06-19 DKI4 (Lubang Buaya) 70 26 19 89 12 89 O3
## 6345 2019-06-20 DKI4 (Lubang Buaya) 84 25 27 88 12 88 O3
## 6346 2019-06-21 DKI4 (Lubang Buaya) 75 27 13 97 11 97 O3
## 6347 2019-06-22 DKI4 (Lubang Buaya) 74 28 18 133 10 133 O3
## 6348 2019-06-23 DKI4 (Lubang Buaya) 69 26 18 81 12 81 O3
## 6349 2019-06-24 DKI4 (Lubang Buaya) 72 27 17 90 8 90 O3
## 6350 2019-06-25 DKI4 (Lubang Buaya) 84 26 20 82 14 84 PM10
## 6351 2019-06-26 DKI4 (Lubang Buaya) 73 27 19 67 11 73 PM10
## 6352 2019-06-27 DKI4 (Lubang Buaya) 65 26 25 116 17 116 O3
## 6353 2019-06-28 DKI4 (Lubang Buaya) 69 29 17 82 17 82 O3
## 6354 2019-06-29 DKI4 (Lubang Buaya) 62 29 14 85 9 85 O3
## 6355 2019-06-30 DKI4 (Lubang Buaya) 64 27 15 83 8 83 O3
## 6479 2019-07-01 DKI4 (Lubang Buaya) 64 26 12 96 12 96 O3
## 6480 2019-07-02 DKI4 (Lubang Buaya) 71 26 13 88 11 88 O3
## 6481 2019-07-03 DKI4 (Lubang Buaya) 63 28 15 77 10 77 O3
## 6482 2019-07-04 DKI4 (Lubang Buaya) 77 25 14 60 9 77 PM10
## 6483 2019-07-05 DKI4 (Lubang Buaya) 67 26 15 75 10 75 O3
## 6484 2019-07-06 DKI4 (Lubang Buaya) 61 26 13 69 13 69 O3
## 6485 2019-07-07 DKI4 (Lubang Buaya) 55 26 6 51 6 55 PM10
## 6486 2019-07-08 DKI4 (Lubang Buaya) 55 27 8 72 6 72 O3
## 6487 2019-07-09 DKI4 (Lubang Buaya) 69 26 13 82 18 82 O3
## 6488 2019-07-10 DKI4 (Lubang Buaya) 64 31 11 85 15 85 O3
## 6489 2019-07-11 DKI4 (Lubang Buaya) 71 28 16 52 12 71 PM10
## 6490 2019-07-12 DKI4 (Lubang Buaya) 67 28 17 60 13 67 PM10
## 6491 2019-07-13 DKI4 (Lubang Buaya) 57 27 11 163 9 163 O3
## 6492 2019-07-14 DKI4 (Lubang Buaya) 80 29 16 160 9 160 O3
## 6493 2019-07-15 DKI4 (Lubang Buaya) 65 26 13 62 9 65 PM10
## 6494 2019-07-16 DKI4 (Lubang Buaya) 76 27 16 92 12 92 O3
## 6495 2019-07-17 DKI4 (Lubang Buaya) 59 27 11 91 12 91 O3
## 6496 2019-07-18 DKI4 (Lubang Buaya) 64 27 15 69 9 69 O3
## 6497 2019-07-19 DKI4 (Lubang Buaya) 63 28 16 46 12 63 PM10
## 6498 2019-07-20 DKI4 (Lubang Buaya) 64 27 13 78 9 78 O3
## 6499 2019-07-21 DKI4 (Lubang Buaya) 60 27 10 86 5 86 O3
## 6500 2019-07-22 DKI4 (Lubang Buaya) 61 25 14 104 7 104 O3
## 6501 2019-07-23 DKI4 (Lubang Buaya) 83 28 20 77 12 83 PM10
## 6504 2019-07-26 DKI4 (Lubang Buaya) 69 28 9 65 10 69 PM10
## 6505 2019-07-27 DKI4 (Lubang Buaya) 66 27 9 79 8 79 O3
## 6506 2019-07-28 DKI4 (Lubang Buaya) 90 27 14 115 9 115 O3
## 6507 2019-07-29 DKI4 (Lubang Buaya) 74 27 13 100 10 100 O3
## 6508 2019-07-30 DKI4 (Lubang Buaya) 83 27 23 75 10 83 PM10
## 6509 2019-07-31 DKI4 (Lubang Buaya) 68 28 13 77 10 77 O3
## 6634 2019-08-01 DKI4 (Lubang Buaya) 58 27 10 70 6 70 O3
## 6635 2019-08-02 DKI4 (Lubang Buaya) 67 28 10 81 8 81 O3
## 6636 2019-08-03 DKI4 (Lubang Buaya) 66 28 10 80 7 80 O3
## 6637 2019-08-04 DKI4 (Lubang Buaya) 67 27 8 61 8 67 PM10
## 6639 2019-08-06 DKI4 (Lubang Buaya) 57 29 8 118 9 118 O3
## 6640 2019-08-07 DKI4 (Lubang Buaya) 72 28 11 74 11 74 O3
## 6642 2019-08-09 DKI4 (Lubang Buaya) 65 29 12 71 8 71 O3
## 6643 2019-08-10 DKI4 (Lubang Buaya) 69 29 20 76 9 76 O3
## 6644 2019-08-11 DKI4 (Lubang Buaya) 59 27 9 58 6 59 PM10
## 6645 2019-08-12 DKI4 (Lubang Buaya) 59 27 9 57 9 59 PM10
## 6646 2019-08-13 DKI4 (Lubang Buaya) 66 29 10 53 8 66 PM10
## 6647 2019-08-14 DKI4 (Lubang Buaya) 55 28 7 62 6 62 O3
## 6648 2019-08-15 DKI4 (Lubang Buaya) 69 28 9 102 6 102 O3
## 6649 2019-08-16 DKI4 (Lubang Buaya) 88 28 20 99 11 99 O3
## 6650 2019-08-17 DKI4 (Lubang Buaya) 56 27 6 86 6 86 O3
## 6651 2019-08-18 DKI4 (Lubang Buaya) 65 27 11 71 5 71 O3
## 6653 2019-08-20 DKI4 (Lubang Buaya) 65 31 10 139 13 139 O3
## 6654 2019-08-21 DKI4 (Lubang Buaya) 68 30 10 53 8 68 PM10
## 6656 2019-08-23 DKI4 (Lubang Buaya) 81 28 19 97 10 97 O3
## 6657 2019-08-24 DKI4 (Lubang Buaya) 67 28 11 103 6 103 O3
## 6658 2019-08-25 DKI4 (Lubang Buaya) 56 29 11 110 5 110 O3
## 6659 2019-08-26 DKI4 (Lubang Buaya) 67 30 10 123 5 123 O3
## 6660 2019-08-27 DKI4 (Lubang Buaya) 63 29 9 80 7 80 O3
## 6661 2019-08-28 DKI4 (Lubang Buaya) 69 27 12 90 10 90 O3
## 6662 2019-08-29 DKI4 (Lubang Buaya) 76 28 22 80 8 80 O3
## 6663 2019-08-30 DKI4 (Lubang Buaya) 63 30 11 62 7 63 PM10
## 6664 2019-08-31 DKI4 (Lubang Buaya) 66 29 23 65 8 66 PM10
## 6788 2019-09-03 DKI4 (Lubang Buaya) 67 31 7 97 7 97 O3
## 6789 2019-09-04 DKI4 (Lubang Buaya) 78 30 11 110 6 110 O3
## 6790 2019-09-05 DKI4 (Lubang Buaya) 66 30 9 107 7 107 O3
## 6791 2019-09-06 DKI4 (Lubang Buaya) 69 30 12 93 13 93 O3
## 6792 2019-09-07 DKI4 (Lubang Buaya) 71 30 12 75 8 75 O3
## 6793 2019-09-08 DKI4 (Lubang Buaya) 62 31 8 70 7 70 O3
## 6794 2019-09-09 DKI4 (Lubang Buaya) 67 29 11 93 7 93 O3
## 6795 2019-09-10 DKI4 (Lubang Buaya) 70 30 7 70 6 70 PM10
## 6796 2019-09-11 DKI4 (Lubang Buaya) 70 32 17 91 10 91 O3
## 6797 2019-09-12 DKI4 (Lubang Buaya) 74 30 18 129 10 129 O3
## 6798 2019-09-13 DKI4 (Lubang Buaya) 84 33 19 100 11 100 O3
## 6799 2019-09-14 DKI4 (Lubang Buaya) 66 32 14 108 9 108 O3
## 6800 2019-09-15 DKI4 (Lubang Buaya) 65 31 8 70 9 70 O3
## 6801 2019-09-16 DKI4 (Lubang Buaya) 61 30 6 53 5 61 PM10
## 6802 2019-09-17 DKI4 (Lubang Buaya) 66 32 5 63 6 66 PM10
## 6803 2019-09-18 DKI4 (Lubang Buaya) 63 32 6 119 6 119 O3
## 6804 2019-09-19 DKI4 (Lubang Buaya) 63 32 7 76 6 76 O3
## 6805 2019-09-20 DKI4 (Lubang Buaya) 59 31 6 71 6 71 O3
## 6806 2019-09-21 DKI4 (Lubang Buaya) 57 34 6 135 5 135 O3
## 6807 2019-09-22 DKI4 (Lubang Buaya) 67 32 9 117 7 117 O3
## 6808 2019-09-23 DKI4 (Lubang Buaya) 68 33 9 69 8 69 O3
## 6809 2019-09-24 DKI4 (Lubang Buaya) 66 32 7 70 6 70 O3
## 6811 2019-09-26 DKI4 (Lubang Buaya) 64 31 7 68 7 68 O3
## 6812 2019-09-27 DKI4 (Lubang Buaya) 62 31 8 80 8 80 O3
## 6813 2019-09-28 DKI4 (Lubang Buaya) 63 33 6 82 7 82 O3
## 6814 2019-09-29 DKI4 (Lubang Buaya) 75 31 19 78 8 78 O3
## 6815 2019-09-30 DKI4 (Lubang Buaya) 66 31 9 76 8 76 O3
## 6939 2019-10-01 DKI4 (Lubang Buaya) 134 33 17 103 10 134 PM10
## 6940 2019-10-02 DKI4 (Lubang Buaya) 77 34 8 115 9 115 O3
## 6941 2019-10-03 DKI4 (Lubang Buaya) 77 31 8 78 8 78 O3
## 6942 2019-10-04 DKI4 (Lubang Buaya) 71 33 11 63 8 71 PM10
## 6943 2019-10-05 DKI4 (Lubang Buaya) 73 33 7 63 9 73 PM10
## 6945 2019-10-07 DKI4 (Lubang Buaya) 67 33 8 76 9 76 O3
## 6946 2019-10-08 DKI4 (Lubang Buaya) 90 34 9 84 10 90 PM10
## 6948 2019-10-10 DKI4 (Lubang Buaya) 63 32 9 94 9 94 O3
## 6949 2019-10-11 DKI4 (Lubang Buaya) 71 33 7 84 11 84 O3
## 6952 2019-10-14 DKI4 (Lubang Buaya) 79 34 8 84 12 84 O3
## 6954 2019-10-16 DKI4 (Lubang Buaya) 70 31 20 119 9 119 O3
## 6955 2019-10-17 DKI4 (Lubang Buaya) 58 31 13 119 8 119 O3
## 6956 2019-10-18 DKI4 (Lubang Buaya) 60 33 11 99 9 99 O3
## 6957 2019-10-19 DKI4 (Lubang Buaya) 75 32 14 62 9 75 PM10
## 6958 2019-10-20 DKI4 (Lubang Buaya) 71 32 24 89 6 89 O3
## 6959 2019-10-21 DKI4 (Lubang Buaya) 67 33 12 65 6 67 PM10
## 6960 2019-10-22 DKI4 (Lubang Buaya) 61 33 15 70 8 70 O3
## 6961 2019-10-23 DKI4 (Lubang Buaya) 65 33 20 88 9 88 O3
## 6962 2019-10-24 DKI4 (Lubang Buaya) 73 34 16 118 7 118 O3
## 6963 2019-10-25 DKI4 (Lubang Buaya) 65 33 11 172 7 172 O3
## 6964 2019-10-26 DKI4 (Lubang Buaya) 61 34 10 122 6 122 O3
## 6965 2019-10-27 DKI4 (Lubang Buaya) 76 34 27 77 8 77 O3
## 6967 2019-10-29 DKI4 (Lubang Buaya) 85 34 27 65 9 85 PM10
## 6968 2019-10-30 DKI4 (Lubang Buaya) 58 34 11 95 10 95 O3
## 6969 2019-10-31 DKI4 (Lubang Buaya) 68 35 16 82 14 82 O3
## 7091 2019-11-01 DKI4 (Lubang Buaya) 48 34 6 82 11 82 O3
## 7092 2019-11-02 DKI4 (Lubang Buaya) 35 32 17 54 11 54 O3
## 7093 2019-11-03 DKI4 (Lubang Buaya) 47 34 9 78 6 78 O3
## 7094 2019-11-04 DKI4 (Lubang Buaya) 44 34 9 93 8 93 O3
## 7095 2019-11-05 DKI4 (Lubang Buaya) 56 34 7 123 11 123 O3
## 7096 2019-11-06 DKI4 (Lubang Buaya) 56 33 17 155 11 155 O3
## 7097 2019-11-07 DKI4 (Lubang Buaya) 60 35 22 124 7 124 O3
## 7098 2019-11-08 DKI4 (Lubang Buaya) 72 35 17 150 11 150 O3
## 7099 2019-11-09 DKI4 (Lubang Buaya) 67 38 10 153 6 153 O3
## 7100 2019-11-10 DKI4 (Lubang Buaya) 70 35 14 132 7 132 O3
## 7101 2019-11-11 DKI4 (Lubang Buaya) 65 36 10 162 7 162 O3
## 7103 2019-11-13 DKI4 (Lubang Buaya) 80 35 29 75 14 80 PM10
## 7104 2019-11-14 DKI4 (Lubang Buaya) 66 34 32 60 6 66 PM10
## 7105 2019-11-15 DKI4 (Lubang Buaya) 65 37 19 94 6 94 O3
## 7106 2019-11-16 DKI4 (Lubang Buaya) 56 36 11 78 8 78 O3
## 7107 2019-11-17 DKI4 (Lubang Buaya) 63 35 13 100 7 100 O3
## 7108 2019-11-18 DKI4 (Lubang Buaya) 36 35 10 71 6 71 O3
## 7109 2019-11-19 DKI4 (Lubang Buaya) 55 35 8 56 4 56 O3
## 7111 2019-11-21 DKI4 (Lubang Buaya) 55 36 6 89 4 89 O3
## 7112 2019-11-22 DKI4 (Lubang Buaya) 52 35 18 88 9 88 O3
## 7113 2019-11-23 DKI4 (Lubang Buaya) 53 36 14 100 11 100 O3
## 7114 2019-11-24 DKI4 (Lubang Buaya) 59 37 23 90 11 90 O3
## 7115 2019-11-25 DKI4 (Lubang Buaya) 57 36 14 93 7 93 O3
## 7116 2019-11-26 DKI4 (Lubang Buaya) 67 35 21 70 7 70 O3
## 7117 2019-11-27 DKI4 (Lubang Buaya) 59 34 38 53 10 59 PM10
## 7118 2019-11-28 DKI4 (Lubang Buaya) 67 36 26 89 9 89 O3
## 7119 2019-11-29 DKI4 (Lubang Buaya) 53 35 14 124 7 124 O3
## 7247 2019-12-04 DKI4 (Lubang Buaya) 60 36 12 125 7 125 O3
## 7248 2019-12-05 DKI4 (Lubang Buaya) 38 34 12 143 6 143 O3
## 7249 2019-12-06 DKI4 (Lubang Buaya) 61 35 14 159 7 159 O3
## 7250 2019-12-07 DKI4 (Lubang Buaya) 45 35 9 86 5 86 O3
## 7252 2019-12-09 DKI4 (Lubang Buaya) 51 35 17 104 6 104 O3
## 7258 2019-12-15 DKI4 (Lubang Buaya) 63 36 11 84 6 84 O3
## 7262 2019-12-19 DKI4 (Lubang Buaya) 64 37 16 96 9 96 O3
## 7263 2019-12-20 DKI4 (Lubang Buaya) 70 38 19 92 11 92 O3
## 7264 2019-12-21 DKI4 (Lubang Buaya) 68 37 24 109 9 109 O3
## 7265 2019-12-22 DKI4 (Lubang Buaya) 51 36 13 77 8 77 O3
## 7267 2019-12-24 DKI4 (Lubang Buaya) 56 37 16 66 5 66 O3
## 7268 2019-12-25 DKI4 (Lubang Buaya) 58 37 13 46 4 58 PM10
## 7270 2019-12-27 DKI4 (Lubang Buaya) 55 38 17 84 7 84 O3
## 7271 2019-12-28 DKI4 (Lubang Buaya) 58 37 21 51 8 58 PM10
## 7272 2019-12-29 DKI4 (Lubang Buaya) 64 38 17 61 6 64 PM10
## 7273 2019-12-30 DKI4 (Lubang Buaya) 77 37 26 70 4 77 PM10
## 7274 2019-12-31 DKI4 (Lubang Buaya) 49 37 16 52 5 52 O3
## 7400 2020-01-02 DKI4 (Lubang Buaya) 45 36 25 46 5 46 O3
## 7401 2020-01-03 DKI4 (Lubang Buaya) 51 37 15 46 6 51 PM10
## 7402 2020-01-04 DKI4 (Lubang Buaya) 48 38 14 51 5 51 O3
## 7403 2020-01-05 DKI4 (Lubang Buaya) 40 39 19 50 5 50 O3
## 7404 2020-01-06 DKI4 (Lubang Buaya) 56 37 33 41 6 56 PM10
## 7405 2020-01-07 DKI4 (Lubang Buaya) 50 38 18 47 6 50 PM10
## 7406 2020-01-08 DKI4 (Lubang Buaya) 52 40 16 47 5 52 PM10
## 7407 2020-01-09 DKI4 (Lubang Buaya) 82 38 31 30 6 82 PM10
## 7408 2020-01-10 DKI4 (Lubang Buaya) 44 37 18 33 6 44 PM10
## 7409 2020-01-11 DKI4 (Lubang Buaya) 36 38 20 30 5 38 SO2
## 7410 2020-01-12 DKI4 (Lubang Buaya) 43 38 9 43 2 43 PM10
## 7411 2020-01-13 DKI4 (Lubang Buaya) 33 38 11 51 3 51 O3
## 7412 2020-01-14 DKI4 (Lubang Buaya) 32 32 11 48 6 48 O3
## 7413 2020-01-15 DKI4 (Lubang Buaya) 35 29 10 52 5 52 O3
## 7414 2020-01-16 DKI4 (Lubang Buaya) 70 30 37 63 5 70 PM10
## 7415 2020-01-17 DKI4 (Lubang Buaya) 71 29 36 125 6 125 O3
## 7416 2020-01-18 DKI4 (Lubang Buaya) 59 30 15 75 6 75 O3
## 7417 2020-01-19 DKI4 (Lubang Buaya) 76 31 71 94 5 94 O3
## 7418 2020-01-20 DKI4 (Lubang Buaya) 56 31 13 50 7 56 PM10
## 7419 2020-01-21 DKI4 (Lubang Buaya) 54 30 17 50 4 54 PM10
## 7420 2020-01-22 DKI4 (Lubang Buaya) 82 31 25 53 5 82 PM10
## 7421 2020-01-23 DKI4 (Lubang Buaya) 60 32 20 44 7 60 PM10
## 7422 2020-01-24 DKI4 (Lubang Buaya) 71 30 22 29 5 71 PM10
## 7423 2020-01-25 DKI4 (Lubang Buaya) 37 29 26 35 3 37 PM10
## 7424 2020-01-26 DKI4 (Lubang Buaya) 63 30 29 71 4 71 O3
## 7425 2020-01-27 DKI4 (Lubang Buaya) 47 30 13 73 4 73 O3
## 7427 2020-01-29 DKI4 (Lubang Buaya) 63 30 27 92 5 92 O3
## 7428 2020-01-30 DKI4 (Lubang Buaya) 33 30 14 80 5 80 O3
## 7429 2020-01-31 DKI4 (Lubang Buaya) 56 30 18 37 5 56 PM10
## 7548 2020-02-01 DKI4 (Lubang Buaya) 57 30 14 33 3 57 PM10
## 7549 2020-02-02 DKI4 (Lubang Buaya) 52 30 16 36 3 52 PM10
## 7550 2020-02-03 DKI4 (Lubang Buaya) 59 30 40 35 3 59 PM10
## 7551 2020-02-04 DKI4 (Lubang Buaya) 43 30 32 32 5 43 PM10
## 7552 2020-02-05 DKI4 (Lubang Buaya) 59 30 36 41 4 59 PM10
## 7553 2020-02-06 DKI4 (Lubang Buaya) 59 30 16 33 3 59 PM10
## 7555 2020-02-08 DKI4 (Lubang Buaya) 74 30 11 66 3 74 PM10
## 7556 2020-02-09 DKI4 (Lubang Buaya) 47 30 23 38 4 47 PM10
## 7557 2020-02-10 DKI4 (Lubang Buaya) 51 31 22 76 4 76 O3
## 7558 2020-02-11 DKI4 (Lubang Buaya) 69 32 24 98 7 98 O3
## 7562 2020-02-15 DKI4 (Lubang Buaya) 74 26 47 191 7 191 O3
## 7563 2020-02-16 DKI4 (Lubang Buaya) 67 23 27 118 4 118 O3
## 7564 2020-02-17 DKI4 (Lubang Buaya) 43 21 22 170 4 170 O3
## 7565 2020-02-18 DKI4 (Lubang Buaya) 62 23 32 93 4 93 O3
## 7566 2020-02-19 DKI4 (Lubang Buaya) 54 22 20 51 3 54 PM10
## 7567 2020-02-20 DKI4 (Lubang Buaya) 30 20 11 68 3 68 O3
## 7568 2020-02-21 DKI4 (Lubang Buaya) 34 20 22 80 4 80 O3
## 7569 2020-02-22 DKI4 (Lubang Buaya) 58 19 34 85 4 85 O3
## 7572 2020-02-25 DKI4 (Lubang Buaya) 40 19 15 92 4 92 O3
## 7573 2020-02-26 DKI4 (Lubang Buaya) 52 19 21 89 5 89 O3
## 7574 2020-02-27 DKI4 (Lubang Buaya) 54 18 20 84 2 84 O3
## 7575 2020-02-28 DKI4 (Lubang Buaya) 56 21 27 104 6 104 O3
## 7576 2020-02-29 DKI4 (Lubang Buaya) 64 22 41 78 7 78 O3
## 7699 2020-03-01 DKI4 (Lubang Buaya) 55 21 11 81 6 81 O3
## 7700 2020-03-02 DKI4 (Lubang Buaya) 40 22 21 105 6 105 O3
## 7701 2020-03-03 DKI4 (Lubang Buaya) 76 22 25 108 8 108 O3
## 7702 2020-03-04 DKI4 (Lubang Buaya) 70 21 18 172 5 172 O3
## 7703 2020-03-05 DKI4 (Lubang Buaya) 35 22 8 66 3 66 O3
## 7704 2020-03-06 DKI4 (Lubang Buaya) 44 24 10 100 14 100 O3
## 7706 2020-03-08 DKI4 (Lubang Buaya) 53 23 18 86 16 86 O3
## 7708 2020-03-10 DKI4 (Lubang Buaya) 43 22 6 55 7 55 O3
## 7712 2020-03-14 DKI4 (Lubang Buaya) 89 25 28 197 13 197 O3
## 7713 2020-03-15 DKI4 (Lubang Buaya) 69 22 21 131 10 131 O3
## 7714 2020-03-16 DKI4 (Lubang Buaya) 59 23 18 133 10 133 O3
## 7715 2020-03-17 DKI4 (Lubang Buaya) 101 23 16 129 10 129 O3
## 7716 2020-03-18 DKI4 (Lubang Buaya) 57 23 13 108 10 108 O3
## 7717 2020-03-19 DKI4 (Lubang Buaya) 73 22 27 37 9 73 PM10
## 7719 2020-03-21 DKI4 (Lubang Buaya) 56 6 23 40 7 56 PM10
## 7722 2020-03-24 DKI4 (Lubang Buaya) 78 6 15 63 2 78 PM10
## 7726 2020-03-28 DKI4 (Lubang Buaya) 74 26 19 104 11 104 O3
## 7727 2020-03-29 DKI4 (Lubang Buaya) 78 25 22 86 10 86 O3
## 7728 2020-03-30 DKI4 (Lubang Buaya) 62 25 12 66 12 66 O3
## 7851 2020-04-01 DKI4 (Lubang Buaya) 42 25 11 90 8 90 O3
## 7852 2020-04-02 DKI4 (Lubang Buaya) 51 25 10 36 6 51 PM10
## 7853 2020-04-03 DKI4 (Lubang Buaya) 55 27 14 48 6 55 PM10
## 7854 2020-04-04 DKI4 (Lubang Buaya) 66 28 22 63 7 66 PM10
## 7855 2020-04-05 DKI4 (Lubang Buaya) 66 28 14 83 8 83 O3
## 7856 2020-04-06 DKI4 (Lubang Buaya) 56 26 18 60 8 60 O3
## 7857 2020-04-07 DKI4 (Lubang Buaya) 42 25 17 28 9 42 PM10
## 7858 2020-04-08 DKI4 (Lubang Buaya) 33 26 10 58 7 58 O3
## 7859 2020-04-09 DKI4 (Lubang Buaya) 59 28 13 57 8 59 PM10
## 7860 2020-04-10 DKI4 (Lubang Buaya) 65 27 19 107 8 107 O3
## 7861 2020-04-11 DKI4 (Lubang Buaya) 109 27 13 87 5 109 PM10
## 7862 2020-04-12 DKI4 (Lubang Buaya) 82 27 24 89 10 89 O3
## 7863 2020-04-13 DKI4 (Lubang Buaya) 52 26 13 64 7 64 O3
## 7864 2020-04-14 DKI4 (Lubang Buaya) 54 28 13 61 9 61 O3
## 7865 2020-04-15 DKI4 (Lubang Buaya) 57 27 15 72 9 72 O3
## 7866 2020-04-16 DKI4 (Lubang Buaya) 60 27 16 66 8 66 O3
## 7867 2020-04-17 DKI4 (Lubang Buaya) 60 27 19 75 8 75 O3
## 7868 2020-04-18 DKI4 (Lubang Buaya) 52 28 12 82 6 82 O3
## 7869 2020-04-19 DKI4 (Lubang Buaya) 73 29 17 86 10 86 O3
## 7870 2020-04-20 DKI4 (Lubang Buaya) 78 28 13 73 6 78 PM10
## 7871 2020-04-21 DKI4 (Lubang Buaya) 69 28 14 57 7 69 PM10
## 7872 2020-04-22 DKI4 (Lubang Buaya) 111 31 25 58 10 111 PM10
## 7873 2020-04-23 DKI4 (Lubang Buaya) 66 27 13 51 7 66 PM10
## 7875 2020-04-25 DKI4 (Lubang Buaya) 64 26 25 53 9 64 PM10
## 7878 2020-04-28 DKI4 (Lubang Buaya) 59 20 14 60 9 60 O3
## 7880 2020-04-30 DKI4 (Lubang Buaya) 80 22 26 44 9 80 PM10
## 8010 2020-05-07 DKI4 (Lubang Buaya) 67 21 18 59 5 67 PM10
## 8011 2020-05-08 DKI4 (Lubang Buaya) 91 22 15 60 5 91 PM10
## 8012 2020-05-09 DKI4 (Lubang Buaya) 77 22 22 36 8 77 PM10
## 8013 2020-05-10 DKI4 (Lubang Buaya) 72 23 27 56 8 72 PM10
## 8014 2020-05-11 DKI4 (Lubang Buaya) 54 22 14 54 5 54 PM10
## 8015 2020-05-12 DKI4 (Lubang Buaya) 57 23 17 49 5 57 PM10
## 8016 2020-05-13 DKI4 (Lubang Buaya) 52 22 12 52 5 52 PM10
## 8017 2020-05-14 DKI4 (Lubang Buaya) 60 23 11 51 6 60 PM10
## 8018 2020-05-15 DKI4 (Lubang Buaya) 66 23 13 48 7 66 PM10
## 8019 2020-05-16 DKI4 (Lubang Buaya) 65 23 12 57 5 65 PM10
## 8020 2020-05-17 DKI4 (Lubang Buaya) 74 23 15 72 6 74 PM10
## 8021 2020-05-18 DKI4 (Lubang Buaya) 56 21 11 61 5 61 O3
## 8022 2020-05-19 DKI4 (Lubang Buaya) 40 23 13 78 6 78 O3
## 8023 2020-05-20 DKI4 (Lubang Buaya) 61 23 11 73 3 73 O3
## 8024 2020-05-21 DKI4 (Lubang Buaya) 25 22 9 52 4 52 O3
## 8025 2020-05-22 DKI4 (Lubang Buaya) 70 22 15 59 4 70 PM10
## 8026 2020-05-23 DKI4 (Lubang Buaya) 38 22 9 43 3 43 O3
## 8027 2020-05-24 DKI4 (Lubang Buaya) 62 21 25 28 4 62 PM10
## 8028 2020-05-25 DKI4 (Lubang Buaya) 50 22 10 28 4 50 PM10
## 8029 2020-05-26 DKI4 (Lubang Buaya) 52 22 14 40 4 52 PM10
## 8030 2020-05-27 DKI4 (Lubang Buaya) 35 22 8 72 3 72 O3
## 8031 2020-05-28 DKI4 (Lubang Buaya) 64 22 16 78 3 78 O3
## 8032 2020-05-29 DKI4 (Lubang Buaya) 62 23 12 76 4 76 O3
## 8033 2020-05-30 DKI4 (Lubang Buaya) 63 22 20 54 5 63 PM10
## 8156 2020-06-06 DKI4 (Lubang Buaya) 61 22 19 58 4 61 PM10
## 8157 2020-06-06 DKI4 (Lubang Buaya) 50 22 14 49 5 50 PM10
## 8158 2020-06-06 DKI4 (Lubang Buaya) 43 21 12 41 4 43 PM10
## 8159 2020-06-06 DKI4 (Lubang Buaya) 55 22 13 35 3 55 PM10
## 8160 2020-06-06 DKI4 (Lubang Buaya) 56 24 11 79 4 79 O3
## 8161 2020-06-06 DKI4 (Lubang Buaya) 64 24 13 87 5 87 O3
## 8162 2020-06-06 DKI4 (Lubang Buaya) 66 26 16 74 5 74 O3
## 8163 2020-06-06 DKI4 (Lubang Buaya) 72 23 13 45 4 72 PM10
## 8164 2020-06-06 DKI4 (Lubang Buaya) 81 24 19 57 5 81 PM10
## 8166 2020-06-06 DKI4 (Lubang Buaya) 63 24 9 70 4 70 O3
## 8167 2020-06-06 DKI4 (Lubang Buaya) 50 22 9 72 4 72 O3
## 8168 2020-06-06 DKI4 (Lubang Buaya) 54 23 10 75 4 75 O3
## 8169 2020-06-06 DKI4 (Lubang Buaya) 63 23 12 72 4 72 O3
## 8170 2020-06-06 DKI4 (Lubang Buaya) 76 23 14 62 3 76 PM10
## 8171 2020-06-06 DKI4 (Lubang Buaya) 74 24 13 43 3 74 PM10
## 8172 2020-06-06 DKI4 (Lubang Buaya) 70 23 14 59 4 70 PM10
## 8173 2020-06-06 DKI4 (Lubang Buaya) 63 24 12 64 4 64 O3
## 8174 2020-06-06 DKI4 (Lubang Buaya) 54 22 10 53 4 54 PM10
## 8175 2020-06-06 DKI4 (Lubang Buaya) 70 23 16 59 7 70 PM10
## 8176 2020-06-06 DKI4 (Lubang Buaya) 60 22 12 53 4 60 PM10
## 8177 2020-06-06 DKI4 (Lubang Buaya) 63 25 11 44 5 63 PM10
## 8178 2020-06-06 DKI4 (Lubang Buaya) 53 22 14 57 5 57 O3
## 8179 2020-06-06 DKI4 (Lubang Buaya) 44 22 10 82 3 82 O3
## 8180 2020-06-06 DKI4 (Lubang Buaya) 77 22 53 77 9 77 PM10
## 8181 2020-06-06 DKI4 (Lubang Buaya) 78 24 23 86 6 86 O3
## 8182 2020-06-06 DKI4 (Lubang Buaya) 68 25 14 52 5 68 PM10
## 8183 2020-06-06 DKI4 (Lubang Buaya) 80 24 12 69 3 80 PM10
## 8184 2020-06-06 DKI4 (Lubang Buaya) 78 24 11 66 4 78 PM10
## 8185 2020-06-06 DKI4 (Lubang Buaya) 79 23 13 70 5 79 PM10
## 8309 2020-07-01 DKI4 (Lubang Buaya) 63 22 8 74 4 74 O3
## 8310 2020-07-02 DKI4 (Lubang Buaya) 73 22 19 45 5 73 PM10
## 8311 2020-07-03 DKI4 (Lubang Buaya) 58 23 14 47 6 58 PM10
## 8312 2020-07-04 DKI4 (Lubang Buaya) 65 23 13 52 5 65 PM10
## 8313 2020-07-05 DKI4 (Lubang Buaya) 67 24 9 45 4 67 PM10
## 8314 2020-07-06 DKI4 (Lubang Buaya) 61 24 13 40 6 61 PM10
## 8315 2020-07-07 DKI4 (Lubang Buaya) 56 23 8 44 4 56 PM10
## 8316 2020-07-08 DKI4 (Lubang Buaya) 65 25 10 48 5 65 PM10
## 8317 2020-07-09 DKI4 (Lubang Buaya) 52 22 8 97 4 97 O3
## 8318 2020-07-10 DKI4 (Lubang Buaya) 69 23 13 113 7 113 O3
## 8319 2020-07-11 DKI4 (Lubang Buaya) 86 23 18 53 5 86 PM10
## 8320 2020-07-12 DKI4 (Lubang Buaya) 59 22 17 64 4 64 O3
## 8321 2020-07-13 DKI4 (Lubang Buaya) 67 25 14 51 3 67 PM10
## 8323 2020-07-15 DKI4 (Lubang Buaya) 63 22 11 47 4 63 PM10
## 8324 2020-07-16 DKI4 (Lubang Buaya) 52 27 5 26 4 52 PM10
## 8325 2020-07-17 DKI4 (Lubang Buaya) 66 26 13 49 5 66 PM10
## 8326 2020-07-18 DKI4 (Lubang Buaya) 59 24 10 73 4 73 O3
## 8327 2020-07-19 DKI4 (Lubang Buaya) 70 24 15 69 5 70 PM10
## 8329 2020-07-21 DKI4 (Lubang Buaya) 57 24 12 87 4 87 O3
## 8330 2020-07-22 DKI4 (Lubang Buaya) 63 23 12 53 5 63 PM10
## 8331 2020-07-23 DKI4 (Lubang Buaya) 55 25 7 67 4 67 O3
## 8332 2020-07-24 DKI4 (Lubang Buaya) 59 24 10 78 4 78 O3
## 8333 2020-07-25 DKI4 (Lubang Buaya) 59 24 8 65 4 65 O3
## 8334 2020-07-26 DKI4 (Lubang Buaya) 58 26 8 52 6 58 PM10
## 8335 2020-07-27 DKI4 (Lubang Buaya) 62 26 9 61 5 62 PM10
## 8338 2020-07-30 DKI4 (Lubang Buaya) 76 24 13 96 7 96 O3
## 8339 2020-07-31 DKI4 (Lubang Buaya) 68 25 13 76 5 76 O3
## 8465 2020-08-02 DKI4 (Lubang Buaya) 91 27 26 90 7 91 PM10
## 8466 2020-08-03 DKI4 (Lubang Buaya) 95 26 18 84 8 95 PM10
## 8467 2020-08-04 DKI4 (Lubang Buaya) 73 27 7 69 5 73 PM10
## 8468 2020-08-05 DKI4 (Lubang Buaya) 86 26 13 81 5 86 PM10
## 8469 2020-08-06 DKI4 (Lubang Buaya) 88 27 13 72 5 88 PM10
## 8470 2020-08-07 DKI4 (Lubang Buaya) 81 26 11 97 4 97 O3
## 8471 2020-08-08 DKI4 (Lubang Buaya) 79 28 9 70 3 79 PM10
## 8472 2020-08-09 DKI4 (Lubang Buaya) 74 25 8 66 2 74 PM10
## 8473 2020-08-10 DKI4 (Lubang Buaya) 81 25 10 62 3 81 PM10
## 8474 2020-08-11 DKI4 (Lubang Buaya) 96 26 11 47 4 96 PM10
## 8475 2020-08-12 DKI4 (Lubang Buaya) 93 25 37 52 6 93 PM10
## 8476 2020-08-13 DKI4 (Lubang Buaya) 81 24 16 37 4 81 PM10
## 8481 2020-08-18 DKI4 (Lubang Buaya) 75 23 17 64 10 75 PM10
## 8482 2020-08-19 DKI4 (Lubang Buaya) 80 32 20 75 11 80 PM10
## 8483 2020-08-20 DKI4 (Lubang Buaya) 62 30 6 46 6 62 PM10
## 8484 2020-08-21 DKI4 (Lubang Buaya) 71 32 5 44 7 71 PM10
## 8485 2020-08-22 DKI4 (Lubang Buaya) 84 31 13 49 10 84 PM10
## 8486 2020-08-23 DKI4 (Lubang Buaya) 72 32 17 64 10 72 PM10
## 8487 2020-08-24 DKI4 (Lubang Buaya) 79 31 15 45 9 79 PM10
## 8488 2020-08-25 DKI4 (Lubang Buaya) 74 33 11 48 10 74 PM10
## 8489 2020-08-26 DKI4 (Lubang Buaya) 57 31 7 57 7 57 PM10
## 8490 2020-08-27 DKI4 (Lubang Buaya) 55 31 6 64 6 64 O3
## 8491 2020-08-28 DKI4 (Lubang Buaya) 84 33 14 56 10 84 PM10
## 8492 2020-08-29 DKI4 (Lubang Buaya) 70 33 6 59 7 70 PM10
## 8493 2020-08-30 DKI4 (Lubang Buaya) 74 33 11 66 8 74 PM10
## 8494 2020-08-31 DKI4 (Lubang Buaya) 69 33 8 83 8 83 O3
## 8616 2020-09-01 DKI4 (Lubang Buaya) 71 33 10 55 9 71 PM10
## 8617 2020-09-02 DKI4 (Lubang Buaya) 71 34 9 91 8 91 CO
## 8618 2020-09-03 DKI4 (Lubang Buaya) 77 32 10 83 9 83 CO
## 8619 2020-09-04 DKI4 (Lubang Buaya) 66 32 6 43 6 66 PM10
## 8620 2020-09-05 DKI4 (Lubang Buaya) 70 32 8 82 6 82 CO
## 8621 2020-09-06 DKI4 (Lubang Buaya) 75 35 10 94 8 94 CO
## 8623 2020-09-08 DKI4 (Lubang Buaya) 78 35 9 51 8 78 PM10
## 8624 2020-09-09 DKI4 (Lubang Buaya) 82 36 6 60 7 82 PM10
## 8625 2020-09-10 DKI4 (Lubang Buaya) 77 33 4 86 6 86 CO
## 8626 2020-09-11 DKI4 (Lubang Buaya) 89 34 13 82 11 89 PM10
## 8627 2020-09-12 DKI4 (Lubang Buaya) 67 33 7 87 6 87 CO
## 8628 2020-09-13 DKI4 (Lubang Buaya) 72 34 8 89 5 89 CO
## 8629 2020-09-14 DKI4 (Lubang Buaya) 69 37 6 70 7 70 CO
## 8631 2020-09-16 DKI4 (Lubang Buaya) 67 33 9 94 7 94 CO
## 8632 2020-09-17 DKI4 (Lubang Buaya) 65 36 8 84 9 84 CO
## 8633 2020-09-18 DKI4 (Lubang Buaya) 70 34 7 57 6 70 PM10
## 8634 2020-09-19 DKI4 (Lubang Buaya) 88 34 8 63 6 88 PM10
## 8635 2020-09-20 DKI4 (Lubang Buaya) 73 36 5 35 5 73 PM10
## 8636 2020-09-21 DKI4 (Lubang Buaya) 65 33 18 77 8 77 CO
## 8637 2020-09-22 DKI4 (Lubang Buaya) 62 33 8 58 7 62 PM10
## 8638 2020-09-23 DKI4 (Lubang Buaya) 73 33 15 84 10 84 CO
## 8640 2020-09-25 DKI4 (Lubang Buaya) 74 37 11 80 8 80 CO
## 8641 2020-09-26 DKI4 (Lubang Buaya) 73 35 16 92 7 92 CO
## 8642 2020-09-27 DKI4 (Lubang Buaya) 70 36 17 74 11 74 CO
## 8643 2020-09-28 DKI4 (Lubang Buaya) 74 37 6 63 8 74 PM10
## 8644 2020-09-29 DKI4 (Lubang Buaya) 68 38 6 97 10 97 CO
## 8769 2020-10-01 DKI4 (Lubang Buaya) 73 8 64 11 73 1 PM10
## 8770 2020-10-02 DKI4 (Lubang Buaya) 83 16 62 7 83 1 PM10
## 8771 2020-10-03 DKI4 (Lubang Buaya) 74 13 80 11 80 4 CO
## 8772 2020-10-04 DKI4 (Lubang Buaya) 79 11 92 8 92 4 CO
## 8773 2020-10-05 DKI4 (Lubang Buaya) 62 4 95 5 95 4 CO
## 8774 2020-10-06 DKI4 (Lubang Buaya) 64 6 103 8 103 4 CO
## 8775 2020-10-07 DKI4 (Lubang Buaya) 77 7 92 11 92 4 CO
## 8776 2020-10-08 DKI4 (Lubang Buaya) 68 6 92 7 92 4 CO
## 8777 2020-10-09 DKI4 (Lubang Buaya) 74 7 75 6 75 4 CO
## 8778 2020-10-10 DKI4 (Lubang Buaya) 70 11 71 10 71 4 CO
## 8779 2020-10-11 DKI4 (Lubang Buaya) 69 7 65 7 69 1 PM10
## 8781 2020-10-13 DKI4 (Lubang Buaya) 72 21 75 7 75 4 CO
## 8782 2020-10-14 DKI4 (Lubang Buaya) 81 23 69 13 81 1 PM10
## 8783 2020-10-15 DKI4 (Lubang Buaya) 79 9 69 8 79 1 PM10
## 8784 2020-10-16 DKI4 (Lubang Buaya) 68 6 79 9 79 4 CO
## 8785 2020-10-17 DKI4 (Lubang Buaya) 70 15 54 11 70 1 PM10
## 8786 2020-10-18 DKI4 (Lubang Buaya) 59 11 62 7 62 4 CO
## 8787 2020-10-19 DKI4 (Lubang Buaya) 64 11 74 8 74 4 CO
## 8788 2020-10-20 DKI4 (Lubang Buaya) 63 26 62 9 63 1 PM10
## 8789 2020-10-21 DKI4 (Lubang Buaya) 57 15 104 9 104 4 CO
## 8790 2020-10-22 DKI4 (Lubang Buaya) 53 15 44 8 53 1 PM10
## 8791 2020-10-23 DKI4 (Lubang Buaya) 34 7 48 5 48 4 CO
## 8792 2020-10-24 DKI4 (Lubang Buaya) 51 14 80 7 80 4 CO
## 8793 2020-10-25 DKI4 (Lubang Buaya) 52 11 68 7 68 4 CO
## 8794 2020-10-26 DKI4 (Lubang Buaya) 57 17 87 8 87 4 CO
## 8795 2020-10-27 DKI4 (Lubang Buaya) 46 18 61 9 61 4 CO
## 8796 2020-10-28 DKI4 (Lubang Buaya) 63 26 107 8 107 4 CO
## 8797 2020-10-29 DKI4 (Lubang Buaya) 54 11 88 10 88 4 CO
## 8798 2020-10-30 DKI4 (Lubang Buaya) 63 12 42 7 63 1 PM10
## 8799 2020-10-31 DKI4 (Lubang Buaya) 45 6 63 6 63 4 CO
## 8921 2020-11-01 DKI4 (Lubang Buaya) 53 38 16 55 10 55 CO
## 8922 2020-11-02 DKI4 (Lubang Buaya) 49 36 8 38 5 49 PM10
## 8923 2020-11-03 DKI4 (Lubang Buaya) 46 38 14 69 7 69 CO
## 8924 2020-11-04 DKI4 (Lubang Buaya) 54 39 12 79 7 79 CO
## 8925 2020-11-05 DKI4 (Lubang Buaya) 51 38 13 64 10 64 CO
## 8926 2020-11-06 DKI4 (Lubang Buaya) 80 41 22 62 11 80 PM10
## 8927 2020-11-07 DKI4 (Lubang Buaya) 64 41 19 61 9 64 PM10
## 8928 2020-11-08 DKI4 (Lubang Buaya) 67 40 30 55 10 67 PM10
## 8929 2020-11-09 DKI4 (Lubang Buaya) 68 41 24 80 11 80 CO
## 8930 2020-11-10 DKI4 (Lubang Buaya) 82 41 15 68 8 82 PM10
## 8931 2020-11-11 DKI4 (Lubang Buaya) 79 41 13 75 10 79 PM10
## 8932 2020-11-12 DKI4 (Lubang Buaya) 61 41 6 57 7 61 PM10
## 8933 2020-11-13 DKI4 (Lubang Buaya) 57 42 5 42 7 57 PM10
## 8934 2020-11-14 DKI4 (Lubang Buaya) 67 43 10 81 7 81 CO
## 8935 2020-11-15 DKI4 (Lubang Buaya) 59 44 7 50 6 59 PM10
## 8936 2020-11-16 DKI4 (Lubang Buaya) 64 41 9 47 5 64 PM10
## 8937 2020-11-17 DKI4 (Lubang Buaya) 60 42 14 88 9 88 CO
## 8938 2020-11-18 DKI4 (Lubang Buaya) 59 42 15 69 11 69 CO
## 8939 2020-11-19 DKI4 (Lubang Buaya) 77 42 26 74 12 77 PM10
## 8940 2020-11-20 DKI4 (Lubang Buaya) 62 44 7 42 7 62 PM10
## 8941 2020-11-21 DKI4 (Lubang Buaya) 67 41 31 44 7 67 PM10
## 8942 2020-11-22 DKI4 (Lubang Buaya) 66 42 41 57 10 66 PM10
## 8943 2020-11-23 DKI4 (Lubang Buaya) 69 42 23 64 8 69 PM10
## 8944 2020-11-24 DKI4 (Lubang Buaya) 51 42 14 61 7 61 CO
## 8945 2020-11-25 DKI4 (Lubang Buaya) 52 41 21 46 8 52 PM10
## 8946 2020-11-26 DKI4 (Lubang Buaya) 60 42 23 93 7 93 CO
## 8947 2020-11-27 DKI4 (Lubang Buaya) 47 43 8 78 7 78 CO
## 8949 2020-11-29 DKI4 (Lubang Buaya) 46 40 9 58 5 58 CO
## 8950 2020-11-30 DKI4 (Lubang Buaya) 22 39 6 23 3 39 PM25
## 9074 2020-12-01 DKI4 (Lubang Buaya) 29 40 13 20 4 40 PM25
## 9075 2020-12-02 DKI4 (Lubang Buaya) 38 40 10 41 6 41 CO
## 9076 2020-12-03 DKI4 (Lubang Buaya) 31 41 10 47 6 47 CO
## 9077 2020-12-04 DKI4 (Lubang Buaya) 40 45 10 54 7 54 CO
## 9078 2020-12-05 DKI4 (Lubang Buaya) 28 42 7 23 3 42 PM25
## 9079 2020-12-06 DKI4 (Lubang Buaya) 31 41 9 25 4 41 PM25
## 9080 2020-12-07 DKI4 (Lubang Buaya) 23 42 8 34 3 42 PM25
## 9081 2020-12-08 DKI4 (Lubang Buaya) 31 42 13 34 4 42 PM25
## 9082 2020-12-09 DKI4 (Lubang Buaya) 27 41 6 28 2 41 PM25
## 9083 2020-12-10 DKI4 (Lubang Buaya) 29 43 6 36 3 43 PM25
## 9084 2020-12-11 DKI4 (Lubang Buaya) 36 43 12 35 6 43 PM25
## 9085 2020-12-12 DKI4 (Lubang Buaya) 33 42 10 25 5 42 PM25
## 9086 2020-12-13 DKI4 (Lubang Buaya) 29 43 6 30 4 43 PM25
## 9087 2020-12-14 DKI4 (Lubang Buaya) 27 42 10 29 5 42 PM25
## 9088 2020-12-15 DKI4 (Lubang Buaya) 36 41 11 22 6 41 PM25
## 9089 2020-12-16 DKI4 (Lubang Buaya) 25 41 8 20 4 41 PM25
## 9090 2020-12-17 DKI4 (Lubang Buaya) 29 43 9 22 4 43 PM25
## 9091 2020-12-18 DKI4 (Lubang Buaya) 25 42 5 30 3 42 PM25
## 9092 2020-12-19 DKI4 (Lubang Buaya) 29 42 7 24 3 42 PM25
## 9093 2020-12-20 DKI4 (Lubang Buaya) 28 42 9 25 3 42 PM25
## 9094 2020-12-21 DKI4 (Lubang Buaya) 16 41 6 15 3 41 PM25
## 9095 2020-12-22 DKI4 (Lubang Buaya) 27 40 10 29 3 40 PM25
## 9096 2020-12-23 DKI4 (Lubang Buaya) 56 34 18 43 7 56 PM10
## 9097 2020-12-24 DKI4 (Lubang Buaya) 51 36 11 38 7 51 PM10
## 9098 2020-12-25 DKI4 (Lubang Buaya) 25 34 10 34 4 34 PM25
## 9099 2020-12-26 DKI4 (Lubang Buaya) 25 34 7 33 3 34 PM25
## 9100 2020-12-27 DKI4 (Lubang Buaya) 30 35 10 44 4 44 CO
## 9101 2020-12-28 DKI4 (Lubang Buaya) 29 34 9 31 3 34 PM25
## 9102 2020-12-29 DKI4 (Lubang Buaya) 21 34 5 20 2 34 PM25
## 9103 2020-12-30 DKI4 (Lubang Buaya) 26 34 6 15 3 34 PM25
## 9104 2020-12-31 DKI4 (Lubang Buaya) 28 36 10 27 3 36 PM25
## 9229 2021-01-01 DKI4 (Lubang Buaya) 41 37 14 35 4 41 PM10
## 9230 2021-01-02 DKI4 (Lubang Buaya) 44 38 38 59 3 59 O3
## 9231 2021-01-03 DKI4 (Lubang Buaya) 50 37 16 52 5 52 O3
## 9232 2021-01-04 DKI4 (Lubang Buaya) 45 36 16 24 3 45 PM10
## 9233 2021-01-05 DKI4 (Lubang Buaya) 52 36 15 35 8 52 PM10
## 9234 2021-01-06 DKI4 (Lubang Buaya) 73 32 29 66 6 73 PM10
## 9235 2021-01-07 DKI4 (Lubang Buaya) 36 30 19 55 5 55 O3
## 9236 2021-01-08 DKI4 (Lubang Buaya) 36 31 23 51 6 51 O3
## 9237 2021-01-09 DKI4 (Lubang Buaya) 60 30 34 42 6 60 PM10
## 9238 2021-01-10 DKI4 (Lubang Buaya) 14 28 9 38 3 38 O3
## 9239 2021-01-11 DKI4 (Lubang Buaya) 51 29 17 57 4 57 O3
## 9240 2021-01-12 DKI4 (Lubang Buaya) 23 28 11 44 4 44 O3
## 9241 2021-01-13 DKI4 (Lubang Buaya) 36 27 8 32 3 36 PM10
## 9242 2021-01-14 DKI4 (Lubang Buaya) 35 28 13 38 5 38 O3
## 9243 2021-01-15 DKI4 (Lubang Buaya) 51 26 20 56 5 56 O3
## 9244 2021-01-16 DKI4 (Lubang Buaya) 47 27 18 38 7 47 PM10
## 9245 2021-01-17 DKI4 (Lubang Buaya) 52 28 12 41 8 52 PM10
## 9246 2021-01-18 DKI4 (Lubang Buaya) 34 28 10 37 4 37 O3
## 9247 2021-01-19 DKI4 (Lubang Buaya) 25 26 12 31 7 31 O3
## 9248 2021-01-20 DKI4 (Lubang Buaya) 54 25 16 33 8 54 PM10
## 9249 2021-01-21 DKI4 (Lubang Buaya) 63 25 21 38 7 63 PM10
## 9250 2021-01-22 DKI4 (Lubang Buaya) 52 26 32 54 8 54 O3
## 9251 2021-01-23 DKI4 (Lubang Buaya) 89 27 47 61 11 89 PM10
## 9254 2021-01-26 DKI4 (Lubang Buaya) 57 26 34 39 7 57 PM10
## 9255 2021-01-27 DKI4 (Lubang Buaya) 18 25 7 19 4 25 SO2
## 9256 2021-01-28 DKI4 (Lubang Buaya) 23 25 11 20 5 25 SO2
## 9257 2021-01-29 DKI4 (Lubang Buaya) 27 26 9 36 4 36 O3
## 9258 2021-01-30 DKI4 (Lubang Buaya) 21 26 16 32 6 32 O3
## 9376 2021-02-02 DKI4 (Lubang Buaya) 37 40 14 22 12 40 SO2
## 9377 2021-02-03 DKI4 (Lubang Buaya) 24 40 9 21 8 40 SO2
## 9378 2021-02-04 DKI4 (Lubang Buaya) 19 40 12 19 10 40 SO2
## 9379 2021-02-05 DKI4 (Lubang Buaya) 19 40 12 20 9 40 SO2
## 9380 2021-02-06 DKI4 (Lubang Buaya) 18 40 7 28 6 40 SO2
## 9381 2021-02-07 DKI4 (Lubang Buaya) 25 40 10 22 11 40 SO2
## 9382 2021-02-08 DKI4 (Lubang Buaya) 17 39 10 21 9 39 SO2
## 9383 2021-02-09 DKI4 (Lubang Buaya) 31 40 13 19 9 40 SO2
## 9384 2021-02-10 DKI4 (Lubang Buaya) 30 40 13 20 8 40 SO2
## 9385 2021-02-11 DKI4 (Lubang Buaya) 21 40 7 16 5 40 SO2
## 9386 2021-02-12 DKI4 (Lubang Buaya) 33 40 12 19 5 40 SO2
## 9387 2021-02-13 DKI4 (Lubang Buaya) 43 40 11 25 9 43 PM10
## 9388 2021-02-14 DKI4 (Lubang Buaya) 34 39 11 26 9 39 SO2
## 9389 2021-02-15 DKI4 (Lubang Buaya) 42 40 11 25 12 42 PM10
## 9390 2021-02-16 DKI4 (Lubang Buaya) 43 40 11 23 13 43 PM10
## 9391 2021-02-17 DKI4 (Lubang Buaya) 38 40 22 21 15 40 SO2
## 9392 2021-02-18 DKI4 (Lubang Buaya) 37 41 10 22 11 41 SO2
## 9393 2021-02-19 DKI4 (Lubang Buaya) 25 39 16 20 13 39 SO2
## 9394 2021-02-20 DKI4 (Lubang Buaya) 33 39 12 24 12 39 SO2
## 9395 2021-02-21 DKI4 (Lubang Buaya) 21 39 10 23 10 39 SO2
## 9396 2021-02-22 DKI4 (Lubang Buaya) 59 40 21 25 12 59 PM10
## 9397 2021-02-23 DKI4 (Lubang Buaya) 51 40 16 24 11 51 PM10
## 9398 2021-02-24 DKI4 (Lubang Buaya) 42 39 9 13 6 42 PM10
## 9399 2021-02-25 DKI4 (Lubang Buaya) 16 39 9 19 4 39 SO2
## 9400 2021-02-26 DKI4 (Lubang Buaya) 48 39 11 23 13 48 PM10
## 9401 2021-02-27 DKI4 (Lubang Buaya) 59 40 13 30 12 59 PM10
## 9402 2021-02-28 DKI4 (Lubang Buaya) 68 39 18 24 14 68 PM10
## 9524 2021-03-01 DKI4 (Lubang Buaya) 56 40 13 19 9 56 PM10
## 9525 2021-03-02 DKI4 (Lubang Buaya) 46 39 17 29 14 46 PM10
## 9526 2021-03-03 DKI4 (Lubang Buaya) 52 41 19 31 14 52 PM10
## 9527 2021-03-04 DKI4 (Lubang Buaya) 62 40 19 33 11 62 PM10
## 9528 2021-03-05 DKI4 (Lubang Buaya) 51 40 14 32 13 51 PM10
## 9529 2021-03-06 DKI4 (Lubang Buaya) 61 40 22 32 13 61 PM10
## 9530 2021-03-07 DKI4 (Lubang Buaya) 60 41 23 34 14 60 PM10
## 9531 2021-03-08 DKI4 (Lubang Buaya) 58 40 16 19 6 58 PM10
## 9532 2021-03-09 DKI4 (Lubang Buaya) 24 41 10 18 8 41 SO2
## 9533 2021-03-10 DKI4 (Lubang Buaya) 56 40 21 21 12 56 PM10
## 9534 2021-03-11 DKI4 (Lubang Buaya) 28 39 9 25 9 39 SO2
## 9535 2021-03-12 DKI4 (Lubang Buaya) 53 41 19 22 13 53 PM10
## 9536 2021-03-13 DKI4 (Lubang Buaya) 37 41 10 20 9 41 SO2
## 9537 2021-03-14 DKI4 (Lubang Buaya) 40 41 16 14 9 41 SO2
## 9538 2021-03-15 DKI4 (Lubang Buaya) 37 42 14 24 12 42 SO2
## 9539 2021-03-16 DKI4 (Lubang Buaya) 57 46 13 37 18 57 PM10
## 9540 2021-03-17 DKI4 (Lubang Buaya) 68 43 20 37 14 68 PM10
## 9541 2021-03-18 DKI4 (Lubang Buaya) 68 45 16 37 22 68 PM10
## 9542 2021-03-19 DKI4 (Lubang Buaya) 57 42 12 42 15 57 PM10
## 9543 2021-03-20 DKI4 (Lubang Buaya) 55 44 12 38 18 55 PM10
## 9544 2021-03-21 DKI4 (Lubang Buaya) 57 41 16 22 17 57 PM10
## 9545 2021-03-22 DKI4 (Lubang Buaya) 52 41 15 20 11 52 PM10
## 9546 2021-03-23 DKI4 (Lubang Buaya) 38 41 8 12 7 41 SO2
## 9547 2021-03-24 DKI4 (Lubang Buaya) 30 40 7 13 9 40 SO2
## 9548 2021-03-25 DKI4 (Lubang Buaya) 36 41 8 19 12 41 SO2
## 9549 2021-03-26 DKI4 (Lubang Buaya) 52 42 17 31 16 52 PM10
## 9550 2021-03-27 DKI4 (Lubang Buaya) 58 43 13 35 20 58 PM10
## 9551 2021-03-28 DKI4 (Lubang Buaya) 50 41 14 37 16 50 PM10
## 9552 2021-03-29 DKI4 (Lubang Buaya) 54 41 18 35 19 54 PM10
## 9553 2021-03-30 DKI4 (Lubang Buaya) 41 42 14 21 25 42 SO2
## 9554 2021-03-31 DKI4 (Lubang Buaya) 48 43 12 25 18 48 PM10
## 9676 2021-04-01 DKI4 (Lubang Buaya) 22 41 7 18 12 41 SO2
## 9677 2021-04-02 DKI4 (Lubang Buaya) 37 44 11 18 12 44 SO2
## 9678 2021-04-03 DKI4 (Lubang Buaya) 39 42 9 22 14 42 SO2
## 9679 2021-04-04 DKI4 (Lubang Buaya) 64 43 26 23 20 64 PM10
## 9680 2021-04-05 DKI4 (Lubang Buaya) 52 43 14 23 16 52 PM10
## 9681 2021-04-06 DKI4 (Lubang Buaya) 30 43 6 15 10 43 SO2
## 9682 2021-04-07 DKI4 (Lubang Buaya) 22 42 5 16 8 42 SO2
## 9683 2021-04-08 DKI4 (Lubang Buaya) 24 48 8 14 10 48 SO2
## 9684 2021-04-09 DKI4 (Lubang Buaya) 42 43 8 21 13 43 SO2
## 9685 2021-04-10 DKI4 (Lubang Buaya) 61 43 15 27 21 61 PM10
## 9686 2021-04-11 DKI4 (Lubang Buaya) 66 47 18 35 24 66 PM10
## 9687 2021-04-12 DKI4 (Lubang Buaya) 57 43 18 27 17 57 PM10
## 9688 2021-04-13 DKI4 (Lubang Buaya) 52 44 13 31 20 52 PM10
## 9689 2021-04-14 DKI4 (Lubang Buaya) 52 42 13 31 14 52 PM10
## 9690 2021-04-15 DKI4 (Lubang Buaya) 55 42 27 25 27 55 PM10
## 9691 2021-04-16 DKI4 (Lubang Buaya) 61 42 17 21 20 61 PM10
## 9692 2021-04-17 DKI4 (Lubang Buaya) 63 43 20 27 19 63 PM10
## 9695 2021-04-20 DKI4 (Lubang Buaya) 56 45 10 34 17 56 PM10
## 9696 2021-04-21 DKI4 (Lubang Buaya) 64 43 16 27 17 64 PM10
## 9697 2021-04-22 DKI4 (Lubang Buaya) 60 45 10 34 17 60 PM10
## 9698 2021-04-23 DKI4 (Lubang Buaya) 67 19 13 31 24 67 PM10
## 9699 2021-04-24 DKI4 (Lubang Buaya) 65 33 13 31 20 65 PM10
## 9700 2021-04-25 DKI4 (Lubang Buaya) 73 37 17 20 17 73 PM10
## 9701 2021-04-26 DKI4 (Lubang Buaya) 64 37 11 22 14 64 PM10
## 9702 2021-04-27 DKI4 (Lubang Buaya) 75 38 11 27 13 75 PM10
## 9703 2021-04-28 DKI4 (Lubang Buaya) 55 37 9 28 17 55 PM10
## 9704 2021-04-29 DKI4 (Lubang Buaya) 51 37 12 23 19 51 PM10
## 9832 2021-05-04 DKI4 (Lubang Buaya) 74 41 15 17 13 74 PM10
## 9833 2021-05-05 DKI4 (Lubang Buaya) 73 38 20 21 21 73 PM10
## 9834 2021-05-06 DKI4 (Lubang Buaya) 54 37 7 27 16 54 PM10
## 9835 2021-05-07 DKI4 (Lubang Buaya) 51 38 22 25 20 51 PM10
## 9836 2021-05-08 DKI4 (Lubang Buaya) 56 39 9 29 15 56 PM10
## 9837 2021-05-09 DKI4 (Lubang Buaya) 46 37 6 31 11 46 PM10
## 9838 2021-05-10 DKI4 (Lubang Buaya) 42 37 7 31 12 42 PM10
## 9839 2021-05-11 DKI4 (Lubang Buaya) 65 38 8 31 11 65 PM10
## 9840 2021-05-12 DKI4 (Lubang Buaya) 67 37 9 27 11 67 PM10
## 9841 2021-05-13 DKI4 (Lubang Buaya) 75 36 13 24 13 75 PM10
## 9842 2021-05-14 DKI4 (Lubang Buaya) 51 38 3 27 8 51 PM10
## 9845 2021-05-17 DKI4 (Lubang Buaya) 49 37 4 28 17 49 PM10
## 9847 2021-05-19 DKI4 (Lubang Buaya) 61 39 10 25 23 61 PM10
## 9848 2021-05-20 DKI4 (Lubang Buaya) 60 36 9 29 19 60 PM10
## 9849 2021-05-21 DKI4 (Lubang Buaya) 55 37 9 27 20 55 PM10
## 9851 2021-05-23 DKI4 (Lubang Buaya) 64 43 31 30 26 64 PM10
## 9852 2021-05-24 DKI4 (Lubang Buaya) 72 57 26 33 24 72 PM10
## 9853 2021-05-25 DKI4 (Lubang Buaya) 42 49 7 37 22 49 SO2
## 9854 2021-05-26 DKI4 (Lubang Buaya) 55 38 9 28 20 55 PM10
## 9855 2021-05-27 DKI4 (Lubang Buaya) 50 41 6 26 18 50 PM10
## 9856 2021-05-28 DKI4 (Lubang Buaya) 56 40 11 26 20 56 PM10
## 9857 2021-05-29 DKI4 (Lubang Buaya) 57 40 10 29 26 57 PM10
## 9858 2021-05-30 DKI4 (Lubang Buaya) 47 41 15 26 23 47 PM10
## 9859 2021-05-31 DKI4 (Lubang Buaya) 59 41 9 37 24 59 PM10
## 9983 2021-06-03 DKI4 (Lubang Buaya) 54 41 11 32 20 54 PM10
## 9984 2021-06-04 DKI4 (Lubang Buaya) 62 43 7 41 17 62 PM10
## 9985 2021-06-05 DKI4 (Lubang Buaya) 57 41 11 36 23 57 PM10
## 9986 2021-06-06 DKI4 (Lubang Buaya) 56 41 9 38 20 56 PM10
## 9987 2021-06-07 DKI4 (Lubang Buaya) 50 41 9 37 21 50 PM10
## 9990 2021-06-10 DKI4 (Lubang Buaya) 68 37 9 32 28 68 PM10
## 9992 2021-06-12 DKI4 (Lubang Buaya) 55 27 13 30 24 55 PM10
## 9993 2021-06-13 DKI4 (Lubang Buaya) 49 36 12 32 23 49 PM10
## 9994 2021-06-14 DKI4 (Lubang Buaya) 63 35 13 28 21 63 PM10
## 9995 2021-06-15 DKI4 (Lubang Buaya) 67 42 13 22 25 67 PM10
## 9996 2021-06-16 DKI4 (Lubang Buaya) 62 35 20 19 22 62 PM10
## 9997 2021-06-17 DKI4 (Lubang Buaya) 64 35 28 20 28 64 PM10
## 9998 2021-06-18 DKI4 (Lubang Buaya) 67 38 19 18 24 67 PM10
## 9999 2021-06-19 DKI4 (Lubang Buaya) 56 31 19 15 31 56 PM10
## 10000 2021-06-20 DKI4 (Lubang Buaya) 74 36 22 20 26 74 PM10
## 10001 2021-06-21 DKI4 (Lubang Buaya) 51 29 14 19 21 51 PM10
## 10002 2021-06-22 DKI4 (Lubang Buaya) 47 33 16 21 22 47 PM10
## 10003 2021-06-23 DKI4 (Lubang Buaya) 58 38 14 23 25 58 PM10
## 10004 2021-06-24 DKI4 (Lubang Buaya) 66 37 15 16 27 66 PM10
## 10005 2021-06-25 DKI4 (Lubang Buaya) 82 39 18 20 24 82 PM10
## 10006 2021-06-26 DKI4 (Lubang Buaya) 67 36 10 26 18 67 PM10
## 10007 2021-06-27 DKI4 (Lubang Buaya) 72 34 18 29 22 72 PM10
## 10008 2021-06-28 DKI4 (Lubang Buaya) 60 36 18 30 22 60 PM10
## 10009 2021-06-29 DKI4 (Lubang Buaya) 65 34 13 27 21 65 PM10
## 10010 2021-06-30 DKI4 (Lubang Buaya) 65 36 14 21 29 65 PM10
## 10134 2021-07-01 DKI4 (Lubang Buaya) 62 37 13 23 27 62 PM10
## 10135 2021-07-02 DKI4 (Lubang Buaya) 59 40 10 18 23 59 PM10
## 10136 2021-07-03 DKI4 (Lubang Buaya) 72 37 13 25 20 72 PM10
## 10137 2021-07-04 DKI4 (Lubang Buaya) 84 38 14 27 22 84 PM10
## 10138 2021-07-05 DKI4 (Lubang Buaya) 83 39 13 31 26 83 PM10
## 10139 2021-07-06 DKI4 (Lubang Buaya) 58 38 9 31 22 58 PM10
## 10140 2021-07-07 DKI4 (Lubang Buaya) 69 40 12 26 26 69 PM10
## 10141 2021-07-08 DKI4 (Lubang Buaya) 74 40 10 29 25 74 PM10
## 10142 2021-07-09 DKI4 (Lubang Buaya) 87 42 11 30 25 87 PM10
## 10143 2021-07-10 DKI4 (Lubang Buaya) 71 45 9 29 21 71 PM10
## 10144 2021-07-11 DKI4 (Lubang Buaya) 66 39 10 21 17 66 PM10
## 10146 2021-07-13 DKI4 (Lubang Buaya) 67 39 11 20 23 67 PM10
## 10147 2021-07-14 DKI4 (Lubang Buaya) 57 39 13 20 26 57 PM10
## 10148 2021-07-15 DKI4 (Lubang Buaya) 95 40 15 22 24 95 PM10
## 10149 2021-07-16 DKI4 (Lubang Buaya) 71 37 11 24 29 71 PM10
## 10150 2021-07-17 DKI4 (Lubang Buaya) 73 35 9 26 19 73 PM10
## 10151 2021-07-18 DKI4 (Lubang Buaya) 75 37 12 32 22 75 PM10
## 10152 2021-07-19 DKI4 (Lubang Buaya) 74 36 11 32 21 74 PM10
## 10153 2021-07-20 DKI4 (Lubang Buaya) 80 38 13 26 21 80 PM10
## 10154 2021-07-21 DKI4 (Lubang Buaya) 55 36 9 30 18 55 PM10
## 10155 2021-07-22 DKI4 (Lubang Buaya) 57 39 9 28 26 57 PM10
## 10156 2021-07-23 DKI4 (Lubang Buaya) 56 36 10 35 25 56 PM10
## 10157 2021-07-24 DKI4 (Lubang Buaya) 56 37 12 27 25 56 PM10
## 10158 2021-07-25 DKI4 (Lubang Buaya) 81 38 22 28 24 81 PM10
## 10159 2021-07-26 DKI4 (Lubang Buaya) 68 39 14 24 25 68 PM10
## 10160 2021-07-27 DKI4 (Lubang Buaya) 71 40 12 24 26 71 PM10
## 10161 2021-07-28 DKI4 (Lubang Buaya) 73 39 14 24 27 73 PM10
## 10162 2021-07-29 DKI4 (Lubang Buaya) 66 40 12 25 25 66 PM10
## 10163 2021-07-30 DKI4 (Lubang Buaya) 83 39 15 37 34 83 PM10
## 10164 2021-07-31 DKI4 (Lubang Buaya) 56 38 9 29 22 56 PM10
## 10289 2021-08-01 DKI4 (Lubang Buaya) 51 39 8 30 22 51 PM10
## 10290 2021-08-02 DKI4 (Lubang Buaya) 42 38 9 27 20 42 PM10
## 10291 2021-08-03 DKI4 (Lubang Buaya) 55 38 12 21 25 55 PM10
## 10292 2021-08-04 DKI4 (Lubang Buaya) 51 41 7 23 20 51 PM10
## 10293 2021-08-05 DKI4 (Lubang Buaya) 53 38 8 21 19 53 PM10
## 10294 2021-08-06 DKI4 (Lubang Buaya) 59 37 16 13 21 59 PM10
## 10295 2021-08-07 DKI4 (Lubang Buaya) 59 38 8 19 18 59 PM10
## 10296 2021-08-08 DKI4 (Lubang Buaya) 54 40 7 21 17 54 PM10
## 10297 2021-08-09 DKI4 (Lubang Buaya) 48 40 6 26 16 48 PM10
## 10298 2021-08-10 DKI4 (Lubang Buaya) 35 38 6 30 19 38 SO2
## 10299 2021-08-11 DKI4 (Lubang Buaya) 56 39 11 27 23 56 PM10
## 10300 2021-08-12 DKI4 (Lubang Buaya) 57 40 8 21 20 57 PM10
## 10301 2021-08-13 DKI4 (Lubang Buaya) 55 40 11 19 25 55 PM10
## 10302 2021-08-14 DKI4 (Lubang Buaya) 58 41 9 21 21 58 PM10
## 10303 2021-08-15 DKI4 (Lubang Buaya) 63 39 11 15 21 63 PM10
## 10304 2021-08-16 DKI4 (Lubang Buaya) 55 41 8 17 21 55 PM10
## 10305 2021-08-17 DKI4 (Lubang Buaya) 59 41 8 24 20 59 PM10
## 10306 2021-08-18 DKI4 (Lubang Buaya) 58 38 9 30 20 58 PM10
## 10307 2021-08-19 DKI4 (Lubang Buaya) 67 42 13 28 28 67 PM10
## 10308 2021-08-20 DKI4 (Lubang Buaya) 64 40 11 28 23 64 PM10
## 10309 2021-08-21 DKI4 (Lubang Buaya) 50 39 8 25 21 50 PM10
## 10310 2021-08-22 DKI4 (Lubang Buaya) 74 43 14 22 29 74 PM10
## 10311 2021-08-23 DKI4 (Lubang Buaya) 63 40 10 24 20 63 PM10
## 10312 2021-08-24 DKI4 (Lubang Buaya) 61 42 11 26 24 61 PM10
## 10313 2021-08-25 DKI4 (Lubang Buaya) 62 42 9 26 28 62 PM10
## 10314 2021-08-26 DKI4 (Lubang Buaya) 53 40 7 28 19 53 PM10
## 10315 2021-08-27 DKI4 (Lubang Buaya) 58 39 10 28 22 58 PM10
## 10316 2021-08-28 DKI4 (Lubang Buaya) 65 38 10 36 23 65 PM10
## 10317 2021-08-29 DKI4 (Lubang Buaya) 66 39 12 28 25 66 PM10
## 10318 2021-08-30 DKI4 (Lubang Buaya) 76 41 16 30 31 76 PM10
## 10319 2021-08-31 DKI4 (Lubang Buaya) 61 41 10 32 26 61 PM10
## 10441 2021-09-01 DKI4 (Lubang Buaya) 68 40 16 26 27 68 PM10
## 10442 2021-09-02 DKI4 (Lubang Buaya) 65 39 12 26 25 65 PM10
## 10443 2021-09-03 DKI4 (Lubang Buaya) 62 42 10 34 23 62 PM10
## 10444 2021-09-04 DKI4 (Lubang Buaya) 57 42 9 31 19 57 PM10
## 10445 2021-09-05 DKI4 (Lubang Buaya) 69 43 12 27 26 69 PM10
## 10446 2021-09-06 DKI4 (Lubang Buaya) 62 42 9 29 16 62 PM10
## 10447 2021-09-07 DKI4 (Lubang Buaya) 56 42 8 21 21 56 PM10
## 10448 2021-09-08 DKI4 (Lubang Buaya) 63 40 15 29 25 63 PM10
## 10449 2021-09-09 DKI4 (Lubang Buaya) 52 41 12 27 24 52 PM10
## 10450 2021-09-10 DKI4 (Lubang Buaya) 45 42 8 26 19 45 PM10
## 10451 2021-09-11 DKI4 (Lubang Buaya) 59 43 10 33 30 59 PM10
## 10452 2021-09-12 DKI4 (Lubang Buaya) 63 41 10 24 19 63 PM10
## 10453 2021-09-13 DKI4 (Lubang Buaya) 54 42 7 18 16 54 PM10
## 10454 2021-09-14 DKI4 (Lubang Buaya) 36 41 6 19 15 41 SO2
## 10455 2021-09-15 DKI4 (Lubang Buaya) 60 42 19 18 23 60 PM10
## 10456 2021-09-16 DKI4 (Lubang Buaya) 53 42 7 28 15 53 PM10
## 10457 2021-09-17 DKI4 (Lubang Buaya) 50 42 6 29 14 50 PM10
## 10458 2021-09-18 DKI4 (Lubang Buaya) 57 43 7 23 15 57 PM10
## 10599 2021-10-06 DKI4 (Lubang Buaya) 66 47 8 37 17 66 PM10
## 10600 2021-10-07 DKI4 (Lubang Buaya) 52 41 7 27 23 52 PM10
## 10601 2021-10-08 DKI4 (Lubang Buaya) 58 45 9 30 22 58 PM10
## 10602 2021-10-09 DKI4 (Lubang Buaya) 55 47 7 36 21 55 PM10
## 10603 2021-10-10 DKI4 (Lubang Buaya) 61 42 9 43 16 61 PM10
## 10604 2021-10-11 DKI4 (Lubang Buaya) 62 43 10 44 26 62 PM10
## 10605 2021-10-12 DKI4 (Lubang Buaya) 70 47 9 32 25 70 PM10
## 10608 2021-10-15 DKI4 (Lubang Buaya) 100 41 15 50 26 100 PM10
## 10609 2021-10-16 DKI4 (Lubang Buaya) 67 40 14 51 23 67 PM10
## 10611 2021-10-18 DKI4 (Lubang Buaya) 57 42 11 32 19 57 PM10
## 10612 2021-10-19 DKI4 (Lubang Buaya) 52 41 18 31 23 52 PM10
## 10615 2021-10-22 DKI4 (Lubang Buaya) 71 45 13 36 21 71 PM10
## 10616 2021-10-23 DKI4 (Lubang Buaya) 65 45 10 35 20 65 PM10
## 10617 2021-10-24 DKI4 (Lubang Buaya) 68 44 15 39 23 68 PM10
## 10618 2021-10-25 DKI4 (Lubang Buaya) 62 44 11 41 22 62 PM10
## 10619 2021-10-26 DKI4 (Lubang Buaya) 75 45 16 36 24 75 PM10
## 10620 2021-10-27 DKI4 (Lubang Buaya) 59 43 10 50 21 59 PM10
## 10621 2021-10-28 DKI4 (Lubang Buaya) 54 40 11 56 18 56 O3
## 10622 2021-10-29 DKI4 (Lubang Buaya) 51 41 15 45 15 51 PM10
## 10623 2021-10-30 DKI4 (Lubang Buaya) 62 43 15 58 18 62 PM10
## 10747 2021-11-02 DKI4 (Lubang Buaya) 54 40 18 47 22 54 PM10
## 10748 2021-11-03 DKI4 (Lubang Buaya) 51 42 12 73 17 73 O3
## 10749 2021-11-04 DKI4 (Lubang Buaya) 58 43 17 27 24 58 PM10
## 10750 2021-11-05 DKI4 (Lubang Buaya) 61 43 16 14 20 61 PM10
## 10751 2021-11-06 DKI4 (Lubang Buaya) 55 44 11 26 29 55 PM10
## 10752 2021-11-07 DKI4 (Lubang Buaya) 52 44 9 35 17 52 PM10
## 10753 2021-11-08 DKI4 (Lubang Buaya) 52 44 14 26 16 52 PM10
## 10754 2021-11-09 DKI4 (Lubang Buaya) 64 43 15 31 19 64 PM10
## 10755 2021-11-10 DKI4 (Lubang Buaya) 61 37 11 20 19 61 PM10
## 10756 2021-11-11 DKI4 (Lubang Buaya) 45 37 10 13 14 45 PM10
## 10757 2021-11-12 DKI4 (Lubang Buaya) 32 37 7 19 14 37 SO2
## 10758 2021-11-13 DKI4 (Lubang Buaya) 52 38 14 30 17 52 PM10
## 10759 2021-11-14 DKI4 (Lubang Buaya) 48 36 13 24 14 48 PM10
## 10760 2021-11-15 DKI4 (Lubang Buaya) 36 36 7 16 11 36 PM10
## 10761 2021-11-16 DKI4 (Lubang Buaya) 42 36 10 15 14 42 PM10
## 10762 2021-11-17 DKI4 (Lubang Buaya) 60 39 10 19 14 60 PM10
## 10763 2021-11-18 DKI4 (Lubang Buaya) 63 41 9 27 18 63 PM10
## 10764 2021-11-19 DKI4 (Lubang Buaya) 23 36 3 17 8 36 SO2
## 10765 2021-11-20 DKI4 (Lubang Buaya) 26 38 6 21 13 38 SO2
## 10766 2021-11-21 DKI4 (Lubang Buaya) 44 37 19 13 14 44 PM10
## 10767 2021-11-22 DKI4 (Lubang Buaya) 23 37 4 14 9 37 SO2
## 10768 2021-11-23 DKI4 (Lubang Buaya) 17 36 3 15 7 36 SO2
## 10769 2021-11-24 DKI4 (Lubang Buaya) 27 37 5 26 12 37 SO2
## 10770 2021-11-25 DKI4 (Lubang Buaya) 54 38 11 24 18 54 PM10
## 10771 2021-11-26 DKI4 (Lubang Buaya) 58 38 14 17 13 58 PM10
## 10772 2021-11-27 DKI4 (Lubang Buaya) 37 37 8 13 12 37 PM10
## 10773 2021-11-28 DKI4 (Lubang Buaya) 18 37 4 18 10 37 SO2
## 10774 2021-11-29 DKI4 (Lubang Buaya) 29 37 8 17 11 37 SO2
## 10775 2021-11-30 DKI4 (Lubang Buaya) 39 38 8 24 15 39 PM10
## 10899 2021-12-01 DKI4 (Lubang Buaya) 63 39 12 19 23 63 PM10
## 10900 2021-12-02 DKI4 (Lubang Buaya) 33 38 5 18 13 38 SO2
## 10901 2021-12-03 DKI4 (Lubang Buaya) 41 39 7 23 15 41 PM10
## 10902 2021-12-04 DKI4 (Lubang Buaya) 42 39 8 14 15 42 PM10
## 10903 2021-12-05 DKI4 (Lubang Buaya) 53 39 17 13 15 53 PM10
## 10904 2021-12-06 DKI4 (Lubang Buaya) 52 41 20 23 19 52 PM10
## 10905 2021-12-07 DKI4 (Lubang Buaya) 179 39 9 17 15 179 PM10
## 10906 2021-12-08 DKI4 (Lubang Buaya) 47 40 14 25 14 47 PM10
## 10907 2021-12-09 DKI4 (Lubang Buaya) 38 40 9 28 19 40 SO2
## 10908 2021-12-10 DKI4 (Lubang Buaya) 45 42 10 24 19 45 PM10
## 10909 2021-12-11 DKI4 (Lubang Buaya) 32 39 7 22 17 39 SO2
## 10912 2021-12-14 DKI4 (Lubang Buaya) 50 40 7 28 14 50 PM10
## 10913 2021-12-15 DKI4 (Lubang Buaya) 69 40 15 29 23 69 PM10
## 10914 2021-12-16 DKI4 (Lubang Buaya) 78 41 14 32 18 78 PM10
## 10915 2021-12-17 DKI4 (Lubang Buaya) 55 39 13 34 17 55 PM10
## 10917 2021-12-19 DKI4 (Lubang Buaya) 64 41 21 40 22 64 PM10
## 10918 2021-12-20 DKI4 (Lubang Buaya) 57 42 10 30 16 57 PM10
## 10919 2021-12-21 DKI4 (Lubang Buaya) 62 42 17 13 27 62 PM10
## Kategori year month day weekday year_month
## 94 SEDANG 2016 1 1 6 2016-01
## 95 BAIK 2016 1 2 7 2016-01
## 96 BAIK 2016 1 3 1 2016-01
## 97 SEDANG 2016 1 4 2 2016-01
## 98 SEDANG 2016 1 5 3 2016-01
## 99 SEDANG 2016 1 6 4 2016-01
## 100 SEDANG 2016 1 7 5 2016-01
## 101 SEDANG 2016 1 8 6 2016-01
## 102 SEDANG 2016 1 9 7 2016-01
## 103 SEDANG 2016 1 10 1 2016-01
## 104 SEDANG 2016 1 11 2 2016-01
## 105 SEDANG 2016 1 12 3 2016-01
## 106 SEDANG 2016 1 13 4 2016-01
## 107 SEDANG 2016 1 14 5 2016-01
## 108 SEDANG 2016 1 15 6 2016-01
## 109 SEDANG 2016 1 16 7 2016-01
## 110 SEDANG 2016 1 17 1 2016-01
## 111 SEDANG 2016 1 18 2 2016-01
## 112 SEDANG 2016 1 19 3 2016-01
## 113 SEDANG 2016 1 20 4 2016-01
## 244 SEDANG 2016 2 2 3 2016-02
## 246 SEDANG 2016 2 4 5 2016-02
## 247 SEDANG 2016 2 5 6 2016-02
## 248 SEDANG 2016 2 6 7 2016-02
## 249 SEDANG 2016 2 7 1 2016-02
## 250 BAIK 2016 2 8 2 2016-02
## 251 BAIK 2016 2 9 3 2016-02
## 252 BAIK 2016 2 10 4 2016-02
## 253 SEDANG 2016 2 11 5 2016-02
## 254 BAIK 2016 2 12 6 2016-02
## 255 SEDANG 2016 2 13 7 2016-02
## 256 SEDANG 2016 2 14 1 2016-02
## 257 SEDANG 2016 2 15 2 2016-02
## 259 SEDANG 2016 2 17 4 2016-02
## 260 SEDANG 2016 2 18 5 2016-02
## 261 SEDANG 2016 2 19 6 2016-02
## 262 SEDANG 2016 2 20 7 2016-02
## 263 SEDANG 2016 2 21 1 2016-02
## 264 SEDANG 2016 2 22 2 2016-02
## 265 SEDANG 2016 2 23 3 2016-02
## 266 SEDANG 2016 2 24 4 2016-02
## 267 BAIK 2016 2 25 5 2016-02
## 268 BAIK 2016 2 26 6 2016-02
## 269 SEDANG 2016 2 27 7 2016-02
## 270 BAIK 2016 2 28 1 2016-02
## 271 SEDANG 2016 2 29 2 2016-02
## 394 BAIK 2016 3 1 3 2016-03
## 395 SEDANG 2016 3 2 4 2016-03
## 396 SEDANG 2016 3 3 5 2016-03
## 397 SEDANG 2016 3 4 6 2016-03
## 398 SEDANG 2016 3 5 7 2016-03
## 399 SEDANG 2016 3 6 1 2016-03
## 400 BAIK 2016 3 7 2 2016-03
## 401 SEDANG 2016 3 8 3 2016-03
## 402 SEDANG 2016 3 9 4 2016-03
## 403 SEDANG 2016 3 10 5 2016-03
## 404 SEDANG 2016 3 11 6 2016-03
## 405 SEDANG 2016 3 12 7 2016-03
## 406 SEDANG 2016 3 13 1 2016-03
## 407 SEDANG 2016 3 14 2 2016-03
## 408 SEDANG 2016 3 15 3 2016-03
## 409 SEDANG 2016 3 16 4 2016-03
## 410 SEDANG 2016 3 17 5 2016-03
## 411 SEDANG 2016 3 18 6 2016-03
## 412 SEDANG 2016 3 19 7 2016-03
## 413 SEDANG 2016 3 20 1 2016-03
## 414 SEDANG 2016 3 21 2 2016-03
## 423 SEDANG 2016 3 30 4 2016-03
## 424 SEDANG 2016 3 31 5 2016-03
## 546 SEDANG 2016 4 1 6 2016-04
## 547 SEDANG 2016 4 2 7 2016-04
## 548 SEDANG 2016 4 3 1 2016-04
## 549 BAIK 2016 4 4 2 2016-04
## 550 SEDANG 2016 4 5 3 2016-04
## 551 SEDANG 2016 4 6 4 2016-04
## 552 SEDANG 2016 4 7 5 2016-04
## 553 SEDANG 2016 4 8 6 2016-04
## 554 SEDANG 2016 4 9 7 2016-04
## 555 SEDANG 2016 4 10 1 2016-04
## 556 SEDANG 2016 4 11 2 2016-04
## 557 SEDANG 2016 4 12 3 2016-04
## 558 SEDANG 2016 4 13 4 2016-04
## 559 SEDANG 2016 4 14 5 2016-04
## 560 SEDANG 2016 4 15 6 2016-04
## 561 SEDANG 2016 4 16 7 2016-04
## 562 SEDANG 2016 4 17 1 2016-04
## 572 SEDANG 2016 4 27 4 2016-04
## 573 SEDANG 2016 4 28 5 2016-04
## 574 SEDANG 2016 4 29 6 2016-04
## 575 SEDANG 2016 4 30 7 2016-04
## 699 SEDANG 2016 5 1 1 2016-05
## 700 SEDANG 2016 5 2 2 2016-05
## 701 SEDANG 2016 5 3 3 2016-05
## 702 SEDANG 2016 5 4 4 2016-05
## 703 SEDANG 2016 5 5 5 2016-05
## 704 SEDANG 2016 5 6 6 2016-05
## 705 SEDANG 2016 5 7 7 2016-05
## 706 SEDANG 2016 5 8 1 2016-05
## 707 SEDANG 2016 5 9 2 2016-05
## 708 SEDANG 2016 5 10 3 2016-05
## 709 SEDANG 2016 5 11 4 2016-05
## 710 SEDANG 2016 5 12 5 2016-05
## 711 SEDANG 2016 5 13 6 2016-05
## 712 SEDANG 2016 5 14 7 2016-05
## 713 BAIK 2016 5 15 1 2016-05
## 714 BAIK 2016 5 16 2 2016-05
## 715 SEDANG 2016 5 17 3 2016-05
## 716 SEDANG 2016 5 18 4 2016-05
## 717 SEDANG 2016 5 19 5 2016-05
## 718 SEDANG 2016 5 20 6 2016-05
## 719 SEDANG 2016 5 21 7 2016-05
## 721 SEDANG 2016 5 23 2 2016-05
## 722 SEDANG 2016 5 24 3 2016-05
## 723 SEDANG 2016 5 25 4 2016-05
## 724 SEDANG 2016 5 26 5 2016-05
## 725 SEDANG 2016 5 27 6 2016-05
## 726 SEDANG 2016 5 28 7 2016-05
## 727 SEDANG 2016 5 29 1 2016-05
## 728 SEDANG 2016 5 30 2 2016-05
## 729 SEDANG 2016 5 31 3 2016-05
## 851 SEDANG 2016 6 1 4 2016-06
## 852 SEDANG 2016 6 2 5 2016-06
## 853 SEDANG 2016 6 3 6 2016-06
## 854 SEDANG 2016 6 4 7 2016-06
## 855 SEDANG 2016 6 5 1 2016-06
## 856 SEDANG 2016 6 6 2 2016-06
## 857 SEDANG 2016 6 7 3 2016-06
## 858 SEDANG 2016 6 8 4 2016-06
## 859 SEDANG 2016 6 9 5 2016-06
## 860 SEDANG 2016 6 10 6 2016-06
## 861 SEDANG 2016 6 11 7 2016-06
## 862 SEDANG 2016 6 12 1 2016-06
## 863 SEDANG 2016 6 13 2 2016-06
## 864 SEDANG 2016 6 14 3 2016-06
## 865 SEDANG 2016 6 15 4 2016-06
## 866 SEDANG 2016 6 16 5 2016-06
## 867 SEDANG 2016 6 17 6 2016-06
## 868 BAIK 2016 6 18 7 2016-06
## 869 TIDAK SEHAT 2016 6 19 1 2016-06
## 870 SEDANG 2016 6 20 2 2016-06
## 871 SEDANG 2016 6 21 3 2016-06
## 872 SEDANG 2016 6 22 4 2016-06
## 873 SEDANG 2016 6 23 5 2016-06
## 874 SEDANG 2016 6 24 6 2016-06
## 875 SEDANG 2016 6 25 7 2016-06
## 876 SEDANG 2016 6 26 1 2016-06
## 877 SEDANG 2016 6 27 2 2016-06
## 879 BAIK 2016 6 29 4 2016-06
## 880 SEDANG 2016 6 30 5 2016-06
## 1004 SEDANG 2016 7 1 6 2016-07
## 1005 SEDANG 2016 7 2 7 2016-07
## 1006 BAIK 2016 7 3 1 2016-07
## 1007 BAIK 2016 7 4 2 2016-07
## 1008 BAIK 2016 7 5 3 2016-07
## 1009 BAIK 2016 7 6 4 2016-07
## 1010 SEDANG 2016 7 7 5 2016-07
## 1011 SEDANG 2016 7 8 6 2016-07
## 1012 SEDANG 2016 7 9 7 2016-07
## 1013 BAIK 2016 7 10 1 2016-07
## 1014 BAIK 2016 7 11 2 2016-07
## 1015 SEDANG 2016 7 12 3 2016-07
## 1016 SEDANG 2016 7 13 4 2016-07
## 1017 SEDANG 2016 7 14 5 2016-07
## 1018 SEDANG 2016 7 15 6 2016-07
## 1019 SEDANG 2016 7 16 7 2016-07
## 1022 SEDANG 2016 7 19 3 2016-07
## 1023 SEDANG 2016 7 20 4 2016-07
## 1024 SEDANG 2016 7 21 5 2016-07
## 1025 SEDANG 2016 7 22 6 2016-07
## 1029 SEDANG 2016 7 26 3 2016-07
## 1030 SEDANG 2016 7 27 4 2016-07
## 1031 SEDANG 2016 7 28 5 2016-07
## 1032 SEDANG 2016 7 29 6 2016-07
## 1033 SEDANG 2016 7 30 7 2016-07
## 1034 SEDANG 2016 7 31 1 2016-07
## 1159 SEDANG 2016 8 1 2 2016-08
## 1160 SEDANG 2016 8 2 3 2016-08
## 1161 SEDANG 2016 8 3 4 2016-08
## 1162 TIDAK SEHAT 2016 8 4 5 2016-08
## 1163 TIDAK SEHAT 2016 8 5 6 2016-08
## 1164 SEDANG 2016 8 6 7 2016-08
## 1165 SEDANG 2016 8 7 1 2016-08
## 1166 SEDANG 2016 8 8 2 2016-08
## 1167 SEDANG 2016 8 9 3 2016-08
## 1168 SEDANG 2016 8 10 4 2016-08
## 1169 SEDANG 2016 8 11 5 2016-08
## 1170 SEDANG 2016 8 12 6 2016-08
## 1171 SEDANG 2016 8 13 7 2016-08
## 1172 BAIK 2016 8 14 1 2016-08
## 1173 TIDAK SEHAT 2016 8 15 2 2016-08
## 1174 SEDANG 2016 8 16 3 2016-08
## 1175 SEDANG 2016 8 17 4 2016-08
## 1176 SEDANG 2016 8 18 5 2016-08
## 1177 SEDANG 2016 8 19 6 2016-08
## 1178 SEDANG 2016 8 20 7 2016-08
## 1179 SEDANG 2016 8 21 1 2016-08
## 1180 SEDANG 2016 8 22 2 2016-08
## 1181 TIDAK SEHAT 2016 8 23 3 2016-08
## 1182 TIDAK SEHAT 2016 8 24 4 2016-08
## 1183 SEDANG 2016 8 25 5 2016-08
## 1312 SEDANG 2016 8 2 3 2016-08
## 1313 SEDANG 2016 8 3 4 2016-08
## 1314 SEDANG 2016 8 4 5 2016-08
## 1315 SEDANG 2016 8 5 6 2016-08
## 1316 SEDANG 2016 8 6 7 2016-08
## 1317 SEDANG 2016 8 7 1 2016-08
## 1318 SEDANG 2016 8 8 2 2016-08
## 1319 SEDANG 2016 8 9 3 2016-08
## 1320 SEDANG 2016 8 10 4 2016-08
## 1321 SEDANG 2016 8 11 5 2016-08
## 1324 SEDANG 2016 8 14 1 2016-08
## 1325 SEDANG 2016 8 15 2 2016-08
## 1326 SEDANG 2016 8 16 3 2016-08
## 1327 SEDANG 2016 8 17 4 2016-08
## 1328 SEDANG 2016 8 18 5 2016-08
## 1329 SEDANG 2016 8 19 6 2016-08
## 1330 SEDANG 2016 8 20 7 2016-08
## 1331 SEDANG 2016 8 21 1 2016-08
## 1332 SEDANG 2016 8 22 2 2016-08
## 1333 SEDANG 2016 8 23 3 2016-08
## 1334 SEDANG 2016 8 24 4 2016-08
## 1335 SEDANG 2016 8 25 5 2016-08
## 1336 BAIK 2016 8 26 6 2016-08
## 1337 SEDANG 2016 8 27 7 2016-08
## 1338 SEDANG 2016 8 28 1 2016-08
## 1339 SEDANG 2016 8 29 2 2016-08
## 1340 SEDANG 2016 8 30 3 2016-08
## 1464 SEDANG 2016 10 1 7 2016-10
## 1465 BAIK 2016 10 2 1 2016-10
## 1466 SEDANG 2016 10 3 2 2016-10
## 1467 SEDANG 2016 10 4 3 2016-10
## 1469 TIDAK SEHAT 2016 10 6 5 2016-10
## 1470 TIDAK SEHAT 2016 10 7 6 2016-10
## 1471 SEDANG 2016 10 10 2 2016-10
## 1475 SEDANG 2016 10 12 4 2016-10
## 1476 SEDANG 2016 10 13 5 2016-10
## 1477 SEDANG 2016 10 14 6 2016-10
## 1478 SEDANG 2016 10 15 7 2016-10
## 1479 SEDANG 2016 10 16 1 2016-10
## 1480 SEDANG 2016 10 17 2 2016-10
## 1481 SEDANG 2016 10 18 3 2016-10
## 1482 SEDANG 2016 10 19 4 2016-10
## 1483 SEDANG 2016 10 20 5 2016-10
## 1484 SEDANG 2016 10 21 6 2016-10
## 1485 SEDANG 2016 10 22 7 2016-10
## 1486 BAIK 2016 10 23 1 2016-10
## 1487 SEDANG 2016 10 24 2 2016-10
## 1488 SEDANG 2016 10 25 3 2016-10
## 1489 SEDANG 2016 10 26 4 2016-10
## 1490 SEDANG 2016 10 27 5 2016-10
## 1491 SEDANG 2016 10 28 6 2016-10
## 1492 SEDANG 2016 10 29 7 2016-10
## 1493 SEDANG 2016 10 30 1 2016-10
## 1494 SEDANG 2016 10 31 2 2016-10
## 1616 BAIK 2016 11 1 3 2016-11
## 1617 BAIK 2016 11 2 4 2016-11
## 1618 SEDANG 2016 11 3 5 2016-11
## 1620 TIDAK SEHAT 2016 11 5 7 2016-11
## 1621 TIDAK SEHAT 2016 11 6 1 2016-11
## 1622 SEDANG 2016 11 7 2 2016-11
## 1623 SEDANG 2016 11 11 6 2016-11
## 1624 SEDANG 2016 11 11 6 2016-11
## 1625 SEDANG 2016 11 10 5 2016-11
## 1626 TIDAK SEHAT 2016 11 11 6 2016-11
## 1627 SEDANG 2016 11 12 7 2016-11
## 1628 SEDANG 2016 11 13 1 2016-11
## 1629 TIDAK SEHAT 2016 11 14 2 2016-11
## 1630 SEDANG 2016 11 15 3 2016-11
## 1631 TIDAK SEHAT 2016 11 16 4 2016-11
## 1632 SEDANG 2016 11 17 5 2016-11
## 1633 SEDANG 2016 11 18 6 2016-11
## 1634 SEDANG 2016 11 19 7 2016-11
## 1635 SEDANG 2016 11 20 1 2016-11
## 1636 SEDANG 2016 11 21 2 2016-11
## 1640 BAIK 2016 11 25 6 2016-11
## 1641 SEDANG 2016 11 26 7 2016-11
## 1642 SEDANG 2016 11 27 1 2016-11
## 1643 SEDANG 2016 11 28 2 2016-11
## 1644 SEDANG 2016 11 29 3 2016-11
## 1645 SEDANG 2016 11 30 4 2016-11
## 1769 SEDANG 2016 12 1 5 2016-12
## 1770 BAIK 2016 12 2 6 2016-12
## 1771 BAIK 2016 12 3 7 2016-12
## 1772 BAIK 2016 12 4 1 2016-12
## 1773 BAIK 2016 12 5 2 2016-12
## 1774 BAIK 2016 12 6 3 2016-12
## 1775 BAIK 2016 12 7 4 2016-12
## 1776 SEDANG 2016 12 12 2 2016-12
## 1777 BAIK 2016 12 9 6 2016-12
## 1778 BAIK 2016 12 10 7 2016-12
## 1779 BAIK 2016 12 11 1 2016-12
## 1780 BAIK 2016 12 12 2 2016-12
## 1781 BAIK 2016 12 13 3 2016-12
## 1782 BAIK 2016 12 14 4 2016-12
## 1783 BAIK 2016 12 15 5 2016-12
## 1784 BAIK 2016 12 16 6 2016-12
## 1785 BAIK 2016 12 17 7 2016-12
## 1786 BAIK 2016 12 18 1 2016-12
## 1787 BAIK 2016 12 19 2 2016-12
## 1788 BAIK 2016 12 20 3 2016-12
## 1789 BAIK 2016 12 21 4 2016-12
## 1790 BAIK 2016 12 22 5 2016-12
## 1791 BAIK 2016 12 23 6 2016-12
## 1792 BAIK 2016 12 24 7 2016-12
## 1793 BAIK 2016 12 25 1 2016-12
## 1794 SEDANG 2016 12 26 2 2016-12
## 1795 BAIK 2016 12 27 3 2016-12
## 1796 BAIK 2016 12 28 4 2016-12
## 1797 BAIK 2016 12 29 5 2016-12
## 1798 SEDANG 2016 12 30 6 2016-12
## 1799 SEDANG 2016 12 31 7 2016-12
## 1924 SEDANG 2017 1 1 1 2017-01
## 1925 BAIK 2017 1 2 2 2017-01
## 1927 SEDANG 2017 1 4 4 2017-01
## 1928 SEDANG 2017 1 5 5 2017-01
## 1929 SEDANG 2017 1 6 6 2017-01
## 1930 SEDANG 2017 1 7 7 2017-01
## 1931 SEDANG 2017 1 8 1 2017-01
## 1932 SEDANG 2017 1 9 2 2017-01
## 1933 SEDANG 2017 1 10 3 2017-01
## 1934 BAIK 2017 1 11 4 2017-01
## 1935 BAIK 2017 1 12 5 2017-01
## 1936 BAIK 2017 1 13 6 2017-01
## 1937 BAIK 2017 1 14 7 2017-01
## 1938 BAIK 2017 1 15 1 2017-01
## 1940 BAIK 2017 1 17 3 2017-01
## 1941 BAIK 2017 1 18 4 2017-01
## 1942 BAIK 2017 1 19 5 2017-01
## 1943 BAIK 2017 1 20 6 2017-01
## 1944 SEDANG 2017 1 21 7 2017-01
## 1945 SEDANG 2017 1 22 1 2017-01
## 1946 BAIK 2017 1 23 2 2017-01
## 1948 BAIK 2017 1 25 4 2017-01
## 1950 SEDANG 2017 1 27 6 2017-01
## 1951 BAIK 2017 1 28 7 2017-01
## 1952 BAIK 2017 1 29 1 2017-01
## 1953 BAIK 2017 1 30 2 2017-01
## 1954 BAIK 2017 1 31 3 2017-01
## 2070 BAIK 2017 2 1 4 2017-02
## 2071 BAIK 2017 2 2 5 2017-02
## 2072 BAIK 2017 2 3 6 2017-02
## 2073 BAIK 2017 2 4 7 2017-02
## 2076 BAIK 2017 2 7 3 2017-02
## 2077 BAIK 2017 2 8 4 2017-02
## 2078 BAIK 2017 2 9 5 2017-02
## 2079 BAIK 2017 2 10 6 2017-02
## 2080 BAIK 2017 2 11 7 2017-02
## 2081 BAIK 2017 2 12 1 2017-02
## 2082 BAIK 2017 2 13 2 2017-02
## 2083 BAIK 2017 2 14 3 2017-02
## 2084 BAIK 2017 2 15 4 2017-02
## 2085 BAIK 2017 2 16 5 2017-02
## 2086 SEDANG 2017 2 17 6 2017-02
## 2087 SEDANG 2017 2 18 7 2017-02
## 2088 SEDANG 2017 2 19 1 2017-02
## 2089 SEDANG 2017 2 20 2 2017-02
## 2090 SEDANG 2017 2 21 3 2017-02
## 2091 TIDAK SEHAT 2017 2 22 4 2017-02
## 2092 TIDAK SEHAT 2017 2 23 5 2017-02
## 2093 SEDANG 2017 2 24 6 2017-02
## 2094 SEDANG 2017 2 25 7 2017-02
## 2095 SEDANG 2017 2 26 1 2017-02
## 2096 SEDANG 2017 2 27 2 2017-02
## 2097 SEDANG 2017 2 28 3 2017-02
## 2219 SEDANG 2017 3 1 4 2017-03
## 2220 SEDANG 2017 3 2 5 2017-03
## 2221 SEDANG 2017 3 3 6 2017-03
## 2222 SEDANG 2017 3 4 7 2017-03
## 2223 SEDANG 2017 3 5 1 2017-03
## 2224 SEDANG 2017 3 6 2 2017-03
## 2225 SEDANG 2017 3 7 3 2017-03
## 2226 SEDANG 2017 3 8 4 2017-03
## 2227 TIDAK SEHAT 2017 3 9 5 2017-03
## 2228 SEDANG 2017 3 10 6 2017-03
## 2229 SEDANG 2017 3 11 7 2017-03
## 2230 SEDANG 2017 3 12 1 2017-03
## 2231 SEDANG 2017 3 13 2 2017-03
## 2232 SEDANG 2017 3 14 3 2017-03
## 2233 BAIK 2017 3 15 4 2017-03
## 2234 SEDANG 2017 3 16 5 2017-03
## 2235 SEDANG 2017 3 17 6 2017-03
## 2236 SEDANG 2017 3 18 7 2017-03
## 2237 BAIK 2017 3 19 1 2017-03
## 2238 BAIK 2017 3 20 2 2017-03
## 2239 BAIK 2017 3 21 3 2017-03
## 2240 BAIK 2017 3 22 4 2017-03
## 2241 SEDANG 2017 3 23 5 2017-03
## 2242 SEDANG 2017 3 24 6 2017-03
## 2243 SEDANG 2017 3 25 7 2017-03
## 2244 SEDANG 2017 3 26 1 2017-03
## 2245 SEDANG 2017 3 27 2 2017-03
## 2246 SEDANG 2017 3 28 3 2017-03
## 2247 SEDANG 2017 3 29 4 2017-03
## 2248 BAIK 2017 3 30 5 2017-03
## 2249 BAIK 2017 3 31 6 2017-03
## 2371 SEDANG 2017 4 1 7 2017-04
## 2372 SEDANG 2017 4 2 1 2017-04
## 2373 SEDANG 2017 4 3 2 2017-04
## 2374 SEDANG 2017 4 4 3 2017-04
## 2375 SEDANG 2017 4 5 4 2017-04
## 2376 BAIK 2017 4 6 5 2017-04
## 2377 BAIK 2017 4 7 6 2017-04
## 2378 BAIK 2017 4 8 7 2017-04
## 2379 BAIK 2017 4 9 1 2017-04
## 2381 SEDANG 2017 4 11 3 2017-04
## 2382 SEDANG 2017 4 12 4 2017-04
## 2383 SEDANG 2017 4 13 5 2017-04
## 2384 SEDANG 2017 4 14 6 2017-04
## 2385 SEDANG 2017 4 15 7 2017-04
## 2386 SEDANG 2017 4 16 1 2017-04
## 2387 SEDANG 2017 4 17 2 2017-04
## 2388 SEDANG 2017 4 18 3 2017-04
## 2389 SEDANG 2017 4 19 4 2017-04
## 2390 SEDANG 2017 4 20 5 2017-04
## 2391 SEDANG 2017 4 21 6 2017-04
## 2392 SEDANG 2017 4 22 7 2017-04
## 2393 SEDANG 2017 4 23 1 2017-04
## 2394 SEDANG 2017 4 24 2 2017-04
## 2395 SEDANG 2017 4 25 3 2017-04
## 2396 SEDANG 2017 4 26 4 2017-04
## 2397 SEDANG 2017 4 27 5 2017-04
## 2398 SEDANG 2017 4 28 6 2017-04
## 2399 SEDANG 2017 4 29 7 2017-04
## 2400 SEDANG 2017 4 30 1 2017-04
## 2524 SEDANG 2017 5 1 2 2017-05
## 2525 SEDANG 2017 5 2 3 2017-05
## 2528 SEDANG 2017 5 5 6 2017-05
## 2531 SEDANG 2017 5 8 2 2017-05
## 2534 SEDANG 2017 5 11 5 2017-05
## 2535 SEDANG 2017 5 12 6 2017-05
## 2536 SEDANG 2017 5 13 7 2017-05
## 2537 SEDANG 2017 5 14 1 2017-05
## 2538 SEDANG 2017 5 15 2 2017-05
## 2539 SEDANG 2017 5 16 3 2017-05
## 2541 SEDANG 2017 5 18 5 2017-05
## 2542 SEDANG 2017 5 19 6 2017-05
## 2543 SEDANG 2017 5 20 7 2017-05
## 2544 SEDANG 2017 5 21 1 2017-05
## 2545 SEDANG 2017 5 22 2 2017-05
## 2546 SEDANG 2017 5 23 3 2017-05
## 2676 BAIK 2017 6 1 5 2017-06
## 2677 SEDANG 2017 6 2 6 2017-06
## 2680 SEDANG 2017 6 5 2 2017-06
## 2681 SEDANG 2017 6 6 3 2017-06
## 2682 SEDANG 2017 6 7 4 2017-06
## 2685 SEDANG 2017 6 10 7 2017-06
## 2687 SEDANG 2017 6 12 2 2017-06
## 2692 SEDANG 2017 6 17 7 2017-06
## 2693 SEDANG 2017 6 18 1 2017-06
## 2694 SEDANG 2017 6 19 2 2017-06
## 2695 SEDANG 2017 6 20 3 2017-06
## 2701 BAIK 2017 6 26 2 2017-06
## 2702 BAIK 2017 6 27 3 2017-06
## 2705 BAIK 2017 6 30 6 2017-06
## 2829 BAIK 2017 7 1 7 2017-07
## 2830 SEDANG 2017 7 2 1 2017-07
## 2831 SEDANG 2017 7 3 2 2017-07
## 2832 SEDANG 2017 7 4 3 2017-07
## 2833 SEDANG 2017 7 5 4 2017-07
## 2834 SEDANG 2017 7 6 5 2017-07
## 2836 SEDANG 2017 7 8 7 2017-07
## 2837 SEDANG 2017 7 9 1 2017-07
## 2838 SEDANG 2017 7 10 2 2017-07
## 2840 SEDANG 2017 7 12 4 2017-07
## 2842 SEDANG 2017 7 14 6 2017-07
## 2843 SEDANG 2017 7 15 7 2017-07
## 2844 SEDANG 2017 7 16 1 2017-07
## 2845 SEDANG 2017 7 17 2 2017-07
## 2846 SEDANG 2017 7 18 3 2017-07
## 2847 SEDANG 2017 7 19 4 2017-07
## 2848 SEDANG 2017 7 20 5 2017-07
## 2849 TIDAK SEHAT 2017 7 21 6 2017-07
## 2850 TIDAK SEHAT 2017 7 22 7 2017-07
## 2851 SEDANG 2017 7 23 1 2017-07
## 2852 SEDANG 2017 7 24 2 2017-07
## 2854 SEDANG 2017 7 26 4 2017-07
## 2855 SEDANG 2017 7 27 5 2017-07
## 2856 SEDANG 2017 7 28 6 2017-07
## 2857 BAIK 2017 7 29 7 2017-07
## 2985 SEDANG 2017 8 2 4 2017-08
## 2986 SEDANG 2017 8 3 5 2017-08
## 2987 SEDANG 2017 8 4 6 2017-08
## 2988 SEDANG 2017 8 5 7 2017-08
## 2989 SEDANG 2017 8 6 1 2017-08
## 2990 SEDANG 2017 8 7 2 2017-08
## 2993 SEDANG 2017 8 10 5 2017-08
## 2994 SEDANG 2017 8 11 6 2017-08
## 2995 SEDANG 2017 8 12 7 2017-08
## 2996 SEDANG 2017 8 13 1 2017-08
## 2997 SEDANG 2017 8 14 2 2017-08
## 3000 SEDANG 2017 8 17 5 2017-08
## 3001 SEDANG 2017 8 18 6 2017-08
## 3002 SEDANG 2017 8 19 7 2017-08
## 3014 SEDANG 2017 8 31 5 2017-08
## 3136 SEDANG 2017 9 1 6 2017-09
## 3137 SEDANG 2017 9 2 7 2017-09
## 3138 TIDAK SEHAT 2017 9 3 1 2017-09
## 3139 TIDAK SEHAT 2017 9 4 2 2017-09
## 3140 SEDANG 2017 9 5 3 2017-09
## 3141 SEDANG 2017 9 6 4 2017-09
## 3142 SEDANG 2017 9 7 5 2017-09
## 3143 SEDANG 2017 9 8 6 2017-09
## 3144 SEDANG 2017 9 9 7 2017-09
## 3145 SEDANG 2017 9 10 1 2017-09
## 3146 SEDANG 2017 9 11 2 2017-09
## 3147 SEDANG 2017 9 12 3 2017-09
## 3148 TIDAK SEHAT 2017 9 13 4 2017-09
## 3149 TIDAK SEHAT 2017 9 14 5 2017-09
## 3150 SEDANG 2017 9 15 6 2017-09
## 3151 SEDANG 2017 9 16 7 2017-09
## 3152 SEDANG 2017 9 17 1 2017-09
## 3153 SEDANG 2017 9 18 2 2017-09
## 3154 SEDANG 2017 9 19 3 2017-09
## 3155 SEDANG 2017 9 20 4 2017-09
## 3156 SEDANG 2017 9 21 5 2017-09
## 3157 SEDANG 2017 9 22 6 2017-09
## 3158 SEDANG 2017 9 23 7 2017-09
## 3159 SEDANG 2017 9 24 1 2017-09
## 3160 SEDANG 2017 9 25 2 2017-09
## 3161 SEDANG 2017 9 26 3 2017-09
## 3162 SEDANG 2017 9 27 4 2017-09
## 3163 SEDANG 2017 9 28 5 2017-09
## 3165 SEDANG 2017 9 30 7 2017-09
## 3290 SEDANG 2017 10 2 2 2017-10
## 3291 SEDANG 2017 10 3 3 2017-10
## 3292 SEDANG 2017 10 4 4 2017-10
## 3293 SEDANG 2017 10 5 5 2017-10
## 3294 SEDANG 2017 10 6 6 2017-10
## 3295 SEDANG 2017 10 7 7 2017-10
## 3296 SEDANG 2017 10 8 1 2017-10
## 3297 SEDANG 2017 10 9 2 2017-10
## 3298 SEDANG 2017 10 10 3 2017-10
## 3299 SEDANG 2017 10 11 4 2017-10
## 3300 SEDANG 2017 10 12 5 2017-10
## 3301 SEDANG 2017 10 13 6 2017-10
## 3302 SEDANG 2017 10 14 7 2017-10
## 3303 SEDANG 2017 10 15 1 2017-10
## 3304 SEDANG 2017 10 16 2 2017-10
## 3305 SEDANG 2017 10 17 3 2017-10
## 3306 SEDANG 2017 10 18 4 2017-10
## 3307 SEDANG 2017 10 19 5 2017-10
## 3308 SEDANG 2017 10 20 6 2017-10
## 3309 TIDAK SEHAT 2017 10 21 7 2017-10
## 3310 SEDANG 2017 10 22 1 2017-10
## 3311 SEDANG 2017 10 23 2 2017-10
## 3312 TIDAK SEHAT 2017 10 24 3 2017-10
## 3313 SEDANG 2017 10 25 4 2017-10
## 3314 SEDANG 2017 10 26 5 2017-10
## 3315 SEDANG 2017 10 27 6 2017-10
## 3316 SEDANG 2017 10 28 7 2017-10
## 3317 SEDANG 2017 10 29 1 2017-10
## 3318 SEDANG 2017 10 30 2 2017-10
## 3319 SEDANG 2017 10 31 3 2017-10
## 3441 SEDANG 2017 11 1 4 2017-11
## 3442 SEDANG 2017 11 2 5 2017-11
## 3443 SEDANG 2017 11 3 6 2017-11
## 3444 SEDANG 2017 11 4 7 2017-11
## 3445 SEDANG 2017 11 5 1 2017-11
## 3448 SEDANG 2017 11 8 4 2017-11
## 3450 TIDAK SEHAT 2017 11 10 6 2017-11
## 3451 TIDAK SEHAT 2017 11 11 7 2017-11
## 3452 SEDANG 2017 11 12 1 2017-11
## 3453 SEDANG 2017 11 13 2 2017-11
## 3454 SEDANG 2017 11 14 3 2017-11
## 3455 SEDANG 2017 11 15 4 2017-11
## 3456 SEDANG 2017 11 16 5 2017-11
## 3457 TIDAK SEHAT 2017 11 17 6 2017-11
## 3458 SEDANG 2017 11 18 7 2017-11
## 3462 TIDAK SEHAT 2017 11 22 4 2017-11
## 3463 SEDANG 2017 11 23 5 2017-11
## 3464 SEDANG 2017 11 24 6 2017-11
## 3465 SEDANG 2017 11 25 7 2017-11
## 3595 BAIK 2017 12 2 7 2017-12
## 3598 BAIK 2017 12 5 3 2017-12
## 3599 SEDANG 2017 12 6 4 2017-12
## 3600 SEDANG 2017 12 7 5 2017-12
## 3605 BAIK 2017 12 12 3 2017-12
## 3607 SEDANG 2017 12 14 5 2017-12
## 3608 BAIK 2017 12 15 6 2017-12
## 3609 SEDANG 2017 12 16 7 2017-12
## 3613 BAIK 2017 12 20 4 2017-12
## 3614 BAIK 2017 12 21 5 2017-12
## 3622 SEDANG 2017 12 29 6 2017-12
## 3623 SEDANG 2017 12 30 7 2017-12
## 3624 SEDANG 2017 12 31 1 2017-12
## 3749 SEDANG 2018 1 1 2 2018-01
## 3750 BAIK 2018 1 2 3 2018-01
## 3751 SEDANG 2018 1 3 4 2018-01
## 3752 SEDANG 2018 1 4 5 2018-01
## 3753 BAIK 2018 1 5 6 2018-01
## 3754 BAIK 2018 1 6 7 2018-01
## 3755 BAIK 2018 1 7 1 2018-01
## 3756 SEDANG 2018 1 8 2 2018-01
## 3757 BAIK 2018 1 9 3 2018-01
## 3758 SEDANG 2018 1 10 4 2018-01
## 3759 BAIK 2018 1 11 5 2018-01
## 3760 BAIK 2018 1 12 6 2018-01
## 3762 SEDANG 2018 1 14 1 2018-01
## 3765 SEDANG 2018 1 17 4 2018-01
## 3767 SEDANG 2018 1 19 6 2018-01
## 3768 SEDANG 2018 1 20 7 2018-01
## 3769 SEDANG 2018 1 21 1 2018-01
## 3770 SEDANG 2018 1 22 2 2018-01
## 3771 SEDANG 2018 1 23 3 2018-01
## 3772 SEDANG 2018 1 24 4 2018-01
## 3773 SEDANG 2018 1 25 5 2018-01
## 3774 SEDANG 2018 1 26 6 2018-01
## 3775 SEDANG 2018 1 27 7 2018-01
## 3776 SEDANG 2018 1 28 1 2018-01
## 3777 SEDANG 2018 1 29 2 2018-01
## 3779 SEDANG 2018 1 31 4 2018-01
## 3895 BAIK 2018 2 1 5 2018-02
## 3896 BAIK 2018 2 2 6 2018-02
## 3897 BAIK 2018 2 3 7 2018-02
## 3898 BAIK 2018 2 4 1 2018-02
## 3899 BAIK 2018 2 5 2 2018-02
## 3900 BAIK 2018 2 6 3 2018-02
## 3901 BAIK 2018 2 7 4 2018-02
## 3902 SEDANG 2018 2 8 5 2018-02
## 3904 BAIK 2018 2 10 7 2018-02
## 3905 BAIK 2018 2 11 1 2018-02
## 3906 BAIK 2018 2 12 2 2018-02
## 3907 SEDANG 2018 2 13 3 2018-02
## 3909 SEDANG 2018 2 15 5 2018-02
## 3910 BAIK 2018 2 16 6 2018-02
## 3911 SEDANG 2018 2 17 7 2018-02
## 3912 BAIK 2018 2 18 1 2018-02
## 3913 BAIK 2018 2 19 2 2018-02
## 3914 BAIK 2018 2 20 3 2018-02
## 3915 SEDANG 2018 2 21 4 2018-02
## 3916 SEDANG 2018 2 22 5 2018-02
## 3917 SEDANG 2018 2 23 6 2018-02
## 3918 BAIK 2018 2 24 7 2018-02
## 3921 SEDANG 2018 2 27 3 2018-02
## 3922 SEDANG 2018 2 28 4 2018-02
## 4044 SEDANG 2018 3 1 5 2018-03
## 4045 SEDANG 2018 3 2 6 2018-03
## 4046 SEDANG 2018 3 3 7 2018-03
## 4047 SEDANG 2018 3 4 1 2018-03
## 4048 SEDANG 2018 3 5 2 2018-03
## 4049 SEDANG 2018 3 6 3 2018-03
## 4050 SEDANG 2018 3 7 4 2018-03
## 4051 BAIK 2018 3 8 5 2018-03
## 4052 SEDANG 2018 3 9 6 2018-03
## 4053 SEDANG 2018 3 10 7 2018-03
## 4054 BAIK 2018 3 11 1 2018-03
## 4055 BAIK 2018 3 12 2 2018-03
## 4056 BAIK 2018 3 13 3 2018-03
## 4057 SEDANG 2018 3 14 4 2018-03
## 4058 SEDANG 2018 3 15 5 2018-03
## 4059 SEDANG 2018 3 16 6 2018-03
## 4060 SEDANG 2018 3 17 7 2018-03
## 4061 SEDANG 2018 3 18 1 2018-03
## 4062 SEDANG 2018 3 19 2 2018-03
## 4063 SEDANG 2018 3 20 3 2018-03
## 4064 SEDANG 2018 3 21 4 2018-03
## 4065 BAIK 2018 3 22 5 2018-03
## 4066 SEDANG 2018 3 23 6 2018-03
## 4067 SEDANG 2018 3 24 7 2018-03
## 4068 BAIK 2018 3 25 1 2018-03
## 4069 SEDANG 2018 3 26 2 2018-03
## 4070 BAIK 2018 3 27 3 2018-03
## 4071 SEDANG 2018 3 28 4 2018-03
## 4072 TIDAK SEHAT 2018 3 29 5 2018-03
## 4073 SEDANG 2018 3 30 6 2018-03
## 4074 BAIK 2018 3 31 7 2018-03
## 4196 BAIK 2018 4 1 1 2018-04
## 4197 BAIK 2018 4 2 2 2018-04
## 4198 BAIK 2018 4 3 3 2018-04
## 4199 BAIK 2018 4 4 4 2018-04
## 4200 SEDANG 2018 4 5 5 2018-04
## 4201 SEDANG 2018 4 6 6 2018-04
## 4202 SEDANG 2018 4 7 7 2018-04
## 4203 BAIK 2018 4 8 1 2018-04
## 4204 SEDANG 2018 4 9 2 2018-04
## 4205 BAIK 2018 4 10 3 2018-04
## 4206 SEDANG 2018 4 11 4 2018-04
## 4207 SEDANG 2018 4 12 5 2018-04
## 4210 SEDANG 2018 4 15 1 2018-04
## 4211 SEDANG 2018 4 16 2 2018-04
## 4212 SEDANG 2018 3 17 7 2018-03
## 4213 SEDANG 2018 4 18 4 2018-04
## 4214 SEDANG 2018 4 19 5 2018-04
## 4215 SEDANG 2018 4 20 6 2018-04
## 4216 SEDANG 2018 4 21 7 2018-04
## 4217 SEDANG 2018 4 22 1 2018-04
## 4218 SEDANG 2018 3 23 6 2018-03
## 4219 SEDANG 2018 4 24 3 2018-04
## 4220 SEDANG 2018 4 25 4 2018-04
## 4221 SEDANG 2018 4 26 5 2018-04
## 4223 SEDANG 2018 4 28 7 2018-04
## 4224 SEDANG 2018 4 29 1 2018-04
## 4225 SEDANG 2018 4 30 2 2018-04
## 4349 SEDANG 2018 5 1 3 2018-05
## 4350 SEDANG 2018 5 2 4 2018-05
## 4351 TIDAK SEHAT 2018 5 3 5 2018-05
## 4352 SEDANG 2018 5 4 6 2018-05
## 4353 SEDANG 2018 5 5 7 2018-05
## 4354 SEDANG 2018 5 6 1 2018-05
## 4355 SEDANG 2018 5 7 2 2018-05
## 4356 SEDANG 2018 5 8 3 2018-05
## 4357 SEDANG 2018 5 9 4 2018-05
## 4358 SEDANG 2018 5 10 5 2018-05
## 4359 SEDANG 2018 5 11 6 2018-05
## 4360 TIDAK SEHAT 2018 5 12 7 2018-05
## 4361 SEDANG 2018 5 13 1 2018-05
## 4362 SEDANG 2018 5 14 2 2018-05
## 4363 SEDANG 2018 5 15 3 2018-05
## 4364 SEDANG 2018 5 16 4 2018-05
## 4365 SEDANG 2018 5 17 5 2018-05
## 4366 SEDANG 2018 5 18 6 2018-05
## 4367 SEDANG 2018 5 19 7 2018-05
## 4368 SEDANG 2018 5 20 1 2018-05
## 4369 SEDANG 2018 5 21 2 2018-05
## 4370 SEDANG 2018 5 22 3 2018-05
## 4371 SEDANG 2018 5 23 4 2018-05
## 4372 SEDANG 2018 5 24 5 2018-05
## 4373 SEDANG 2018 5 25 6 2018-05
## 4374 SEDANG 2018 5 26 7 2018-05
## 4375 SEDANG 2018 5 27 1 2018-05
## 4376 SEDANG 2018 5 28 2 2018-05
## 4377 SEDANG 2018 5 29 3 2018-05
## 4378 SEDANG 2018 5 30 4 2018-05
## 4379 TIDAK SEHAT 2018 5 31 5 2018-05
## 4501 SEDANG 2018 6 1 6 2018-06
## 4502 SEDANG 2018 6 2 7 2018-06
## 4503 SEDANG 2018 6 3 1 2018-06
## 4504 SEDANG 2018 6 4 2 2018-06
## 4505 SEDANG 2018 6 5 3 2018-06
## 4506 SEDANG 2018 6 6 4 2018-06
## 4507 SEDANG 2018 6 7 5 2018-06
## 4508 SEDANG 2018 6 8 6 2018-06
## 4509 SEDANG 2018 6 9 7 2018-06
## 4510 TIDAK SEHAT 2018 6 10 1 2018-06
## 4511 SEDANG 2018 6 11 2 2018-06
## 4512 SEDANG 2018 6 12 3 2018-06
## 4513 SEDANG 2018 6 13 4 2018-06
## 4514 SEDANG 2018 6 14 5 2018-06
## 4515 SEDANG 2018 6 15 6 2018-06
## 4516 SEDANG 2018 6 16 7 2018-06
## 4517 BAIK 2018 6 17 1 2018-06
## 4518 SEDANG 2018 6 18 2 2018-06
## 4519 SEDANG 2018 6 19 3 2018-06
## 4520 SEDANG 2018 6 20 4 2018-06
## 4521 SEDANG 2018 6 21 5 2018-06
## 4522 SEDANG 2018 6 22 6 2018-06
## 4523 SEDANG 2018 6 23 7 2018-06
## 4524 SEDANG 2018 6 24 1 2018-06
## 4525 SEDANG 2018 6 25 2 2018-06
## 4526 SEDANG 2018 6 26 3 2018-06
## 4527 SEDANG 2018 6 27 4 2018-06
## 4528 SEDANG 2018 6 28 5 2018-06
## 4529 SEDANG 2018 6 29 6 2018-06
## 4530 SEDANG 2018 6 30 7 2018-06
## 4654 SEDANG 2018 7 1 1 2018-07
## 4655 SEDANG 2018 7 2 2 2018-07
## 4656 SEDANG 2018 7 3 3 2018-07
## 4657 TIDAK SEHAT 2018 7 4 4 2018-07
## 4658 SEDANG 2018 7 5 5 2018-07
## 4659 SEDANG 2018 7 6 6 2018-07
## 4660 SEDANG 2018 7 7 7 2018-07
## 4661 SEDANG 2018 7 8 1 2018-07
## 4662 SEDANG 2018 7 9 2 2018-07
## 4663 SEDANG 2018 7 10 3 2018-07
## 4664 SEDANG 2018 7 11 4 2018-07
## 4665 SEDANG 2018 7 12 5 2018-07
## 4667 SEDANG 2018 7 14 7 2018-07
## 4668 SEDANG 2018 7 15 1 2018-07
## 4669 SEDANG 2018 7 16 2 2018-07
## 4670 SEDANG 2018 7 17 3 2018-07
## 4671 SEDANG 2018 7 18 4 2018-07
## 4672 SEDANG 2018 7 19 5 2018-07
## 4673 SEDANG 2018 7 20 6 2018-07
## 4674 SEDANG 2018 7 21 7 2018-07
## 4675 SEDANG 2018 7 22 1 2018-07
## 4677 SEDANG 2018 7 24 3 2018-07
## 4678 SEDANG 2018 7 25 4 2018-07
## 4679 SEDANG 2018 7 26 5 2018-07
## 4680 SEDANG 2018 7 27 6 2018-07
## 4681 TIDAK SEHAT 2018 7 28 7 2018-07
## 4682 SEDANG 2018 7 29 1 2018-07
## 4683 SEDANG 2018 7 30 2 2018-07
## 4684 SEDANG 2018 7 31 3 2018-07
## 4809 SEDANG 2018 8 1 4 2018-08
## 4810 TIDAK SEHAT 2018 8 2 5 2018-08
## 4811 SEDANG 2018 8 3 6 2018-08
## 4812 SEDANG 2018 8 4 7 2018-08
## 4813 SEDANG 2018 8 5 1 2018-08
## 4814 SEDANG 2018 8 6 2 2018-08
## 4815 SEDANG 2018 8 7 3 2018-08
## 4818 SEDANG 2018 8 10 6 2018-08
## 4820 SEDANG 2018 8 12 1 2018-08
## 4821 SEDANG 2018 8 13 2 2018-08
## 4822 SEDANG 2018 8 14 3 2018-08
## 4823 SEDANG 2018 8 15 4 2018-08
## 4824 SEDANG 2018 8 16 5 2018-08
## 4825 SEDANG 2018 8 17 6 2018-08
## 4826 SEDANG 2018 8 18 7 2018-08
## 4827 SEDANG 2018 8 19 1 2018-08
## 4828 SEDANG 2018 8 20 2 2018-08
## 4829 SEDANG 2018 8 21 3 2018-08
## 4830 SEDANG 2018 8 22 4 2018-08
## 4831 SEDANG 2018 8 23 5 2018-08
## 4832 SEDANG 2018 8 24 6 2018-08
## 4833 SEDANG 2018 8 25 7 2018-08
## 4834 SEDANG 2018 8 26 1 2018-08
## 4835 SEDANG 2018 8 27 2 2018-08
## 4836 SEDANG 2018 8 28 3 2018-08
## 4837 SEDANG 2018 8 29 4 2018-08
## 4838 SEDANG 2018 8 30 5 2018-08
## 4839 SEDANG 2018 8 31 6 2018-08
## 4961 SEDANG 2018 9 1 7 2018-09
## 4962 SEDANG 2018 9 2 1 2018-09
## 4964 SEDANG 2018 9 4 3 2018-09
## 4965 SEDANG 2018 9 5 4 2018-09
## 4968 SEDANG 2018 9 8 7 2018-09
## 4969 SEDANG 2018 9 9 1 2018-09
## 4970 SEDANG 2018 9 10 2 2018-09
## 4971 SEDANG 2018 9 11 3 2018-09
## 4972 SEDANG 2018 9 12 4 2018-09
## 4973 SEDANG 2018 9 13 5 2018-09
## 4974 SEDANG 2018 9 14 6 2018-09
## 4975 TIDAK SEHAT 2018 9 15 7 2018-09
## 4976 SEDANG 2018 9 16 1 2018-09
## 4977 SEDANG 2018 9 17 2 2018-09
## 4978 SEDANG 2018 9 18 3 2018-09
## 4979 SEDANG 2018 9 19 4 2018-09
## 4980 SEDANG 2018 9 20 5 2018-09
## 4981 SEDANG 2018 9 21 6 2018-09
## 4982 SEDANG 2018 9 22 7 2018-09
## 4983 SEDANG 2018 9 23 1 2018-09
## 4984 SEDANG 2018 9 24 2 2018-09
## 4985 SEDANG 2018 9 25 3 2018-09
## 4986 SEDANG 2018 9 26 4 2018-09
## 4987 SEDANG 2018 9 27 5 2018-09
## 4988 SEDANG 2018 9 28 6 2018-09
## 4989 SEDANG 2018 9 29 7 2018-09
## 4990 SEDANG 2018 9 30 1 2018-09
## 5114 SEDANG 2018 10 1 2 2018-10
## 5115 SEDANG 2018 10 2 3 2018-10
## 5116 SEDANG 2018 10 3 4 2018-10
## 5117 SEDANG 2018 10 4 5 2018-10
## 5118 SEDANG 2018 10 5 6 2018-10
## 5119 SEDANG 2018 10 6 7 2018-10
## 5120 SEDANG 2018 10 7 1 2018-10
## 5121 SEDANG 2018 10 8 2 2018-10
## 5122 SEDANG 2018 10 9 3 2018-10
## 5123 SEDANG 2018 10 10 4 2018-10
## 5124 SEDANG 2018 10 11 5 2018-10
## 5125 SEDANG 2018 10 12 6 2018-10
## 5126 SEDANG 2018 10 13 7 2018-10
## 5127 SEDANG 2018 10 14 1 2018-10
## 5128 SEDANG 2018 10 15 2 2018-10
## 5129 SEDANG 2018 10 16 3 2018-10
## 5130 SEDANG 2018 10 17 4 2018-10
## 5131 SEDANG 2018 10 18 5 2018-10
## 5132 SEDANG 2018 10 19 6 2018-10
## 5133 SEDANG 2018 10 20 7 2018-10
## 5134 SEDANG 2018 10 21 1 2018-10
## 5135 SEDANG 2018 10 22 2 2018-10
## 5136 SEDANG 2018 10 23 3 2018-10
## 5137 SEDANG 2018 10 24 4 2018-10
## 5138 SEDANG 2018 10 25 5 2018-10
## 5140 SEDANG 2018 10 27 7 2018-10
## 5141 SEDANG 2018 10 28 1 2018-10
## 5143 SEDANG 2018 10 30 3 2018-10
## 5144 SEDANG 2018 10 31 4 2018-10
## 5266 SEDANG 2018 11 1 5 2018-11
## 5267 BAIK 2018 11 2 6 2018-11
## 5268 SEDANG 2018 11 3 7 2018-11
## 5269 SEDANG 2018 11 4 1 2018-11
## 5270 SEDANG 2018 11 5 2 2018-11
## 5271 SEDANG 2018 11 6 3 2018-11
## 5272 SEDANG 2018 11 7 4 2018-11
## 5273 SEDANG 2018 11 8 5 2018-11
## 5274 SEDANG 2018 11 9 6 2018-11
## 5275 SEDANG 2018 11 10 7 2018-11
## 5276 SEDANG 2018 11 11 1 2018-11
## 5277 SEDANG 2018 11 12 2 2018-11
## 5278 SEDANG 2018 11 13 3 2018-11
## 5279 BAIK 2018 11 14 4 2018-11
## 5280 BAIK 2018 11 15 5 2018-11
## 5281 TIDAK SEHAT 2018 11 16 6 2018-11
## 5282 SEDANG 2018 11 17 7 2018-11
## 5283 SEDANG 2018 11 18 1 2018-11
## 5284 SEDANG 2018 11 19 2 2018-11
## 5285 SEDANG 2018 11 20 3 2018-11
## 5286 SEDANG 2018 11 21 4 2018-11
## 5287 SEDANG 2018 11 22 5 2018-11
## 5288 SEDANG 2018 11 23 6 2018-11
## 5289 SEDANG 2018 11 24 7 2018-11
## 5290 SEDANG 2018 11 25 1 2018-11
## 5291 SEDANG 2018 11 26 2 2018-11
## 5292 SEDANG 2018 11 27 3 2018-11
## 5293 SEDANG 2018 11 28 4 2018-11
## 5294 SEDANG 2018 11 29 5 2018-11
## 5295 SEDANG 2018 11 30 6 2018-11
## 5419 SEDANG 2018 12 1 7 2018-12
## 5420 SEDANG 2018 12 2 1 2018-12
## 5421 SEDANG 2018 12 3 2 2018-12
## 5422 SEDANG 2018 12 4 3 2018-12
## 5423 SEDANG 2018 12 5 4 2018-12
## 5424 BAIK 2018 12 6 5 2018-12
## 5425 SEDANG 2018 12 7 6 2018-12
## 5426 SEDANG 2018 12 8 7 2018-12
## 5427 SEDANG 2018 12 9 1 2018-12
## 5428 SEDANG 2018 12 10 2 2018-12
## 5429 TIDAK SEHAT 2018 12 11 3 2018-12
## 5430 SEDANG 2018 12 12 4 2018-12
## 5431 SEDANG 2018 12 13 5 2018-12
## 5432 SEDANG 2018 12 14 6 2018-12
## 5434 BAIK 2018 12 16 1 2018-12
## 5436 SEDANG 2018 12 18 3 2018-12
## 5437 TIDAK SEHAT 2018 12 19 4 2018-12
## 5438 SEDANG 2018 12 20 5 2018-12
## 5439 BAIK 2018 12 21 6 2018-12
## 5440 BAIK 2018 12 22 7 2018-12
## 5441 BAIK 2018 12 23 1 2018-12
## 5442 BAIK 2018 12 24 2 2018-12
## 5443 BAIK 2018 12 25 3 2018-12
## 5444 BAIK 2018 12 26 4 2018-12
## 5445 BAIK 2018 12 27 5 2018-12
## 5446 BAIK 2018 12 28 6 2018-12
## 5447 BAIK 2018 12 29 7 2018-12
## 5448 BAIK 2018 12 30 1 2018-12
## 5449 BAIK 2018 12 31 2 2018-12
## 5574 BAIK 2019 1 1 3 2019-01
## 5575 BAIK 2019 1 2 4 2019-01
## 5576 BAIK 2019 1 3 5 2019-01
## 5577 BAIK 2019 1 4 6 2019-01
## 5578 SEDANG 2019 1 5 7 2019-01
## 5579 SEDANG 2019 1 6 1 2019-01
## 5580 SEDANG 2019 1 7 2 2019-01
## 5581 SEDANG 2019 1 8 3 2019-01
## 5585 SEDANG 2019 1 12 7 2019-01
## 5586 SEDANG 2019 1 13 1 2019-01
## 5587 SEDANG 2019 1 14 2 2019-01
## 5588 BAIK 2019 1 15 3 2019-01
## 5589 BAIK 2019 1 16 4 2019-01
## 5590 BAIK 2019 1 17 5 2019-01
## 5591 BAIK 2019 1 18 6 2019-01
## 5592 BAIK 2019 1 19 7 2019-01
## 5593 SEDANG 2019 1 20 1 2019-01
## 5594 BAIK 2019 1 21 2 2019-01
## 5595 BAIK 2019 1 22 3 2019-01
## 5596 BAIK 2019 1 23 4 2019-01
## 5597 BAIK 2019 1 24 5 2019-01
## 5598 BAIK 2019 1 25 6 2019-01
## 5599 BAIK 2019 1 26 7 2019-01
## 5600 BAIK 2019 1 27 1 2019-01
## 5601 BAIK 2019 1 28 2 2019-01
## 5602 BAIK 2019 1 29 3 2019-01
## 5603 BAIK 2019 1 30 4 2019-01
## 5604 BAIK 2019 1 31 5 2019-01
## 5720 BAIK 2019 2 1 6 2019-02
## 5721 SEDANG 2019 2 2 7 2019-02
## 5722 SEDANG 2019 2 3 1 2019-02
## 5723 BAIK 2019 2 4 2 2019-02
## 5724 BAIK 2019 2 5 3 2019-02
## 5725 BAIK 2019 2 6 4 2019-02
## 5726 SEDANG 2019 2 7 5 2019-02
## 5727 SEDANG 2019 2 8 6 2019-02
## 5728 SEDANG 2019 2 9 7 2019-02
## 5731 SEDANG 2019 2 12 3 2019-02
## 5732 SEDANG 2019 2 13 4 2019-02
## 5733 SEDANG 2019 2 14 5 2019-02
## 5734 SEDANG 2019 2 15 6 2019-02
## 5735 SEDANG 2019 2 16 7 2019-02
## 5736 SEDANG 2019 2 17 1 2019-02
## 5737 SEDANG 2019 2 18 2 2019-02
## 5738 SEDANG 2019 2 19 3 2019-02
## 5739 SEDANG 2019 2 20 4 2019-02
## 5740 SEDANG 2019 2 21 5 2019-02
## 5741 SEDANG 2019 2 22 6 2019-02
## 5742 SEDANG 2019 2 23 7 2019-02
## 5743 SEDANG 2019 2 24 1 2019-02
## 5744 SEDANG 2019 2 25 2 2019-02
## 5745 SEDANG 2019 2 26 3 2019-02
## 5746 SEDANG 2019 2 27 4 2019-02
## 5747 BAIK 2019 2 28 5 2019-02
## 5870 BAIK 2019 3 2 7 2019-03
## 5871 SEDANG 2019 3 3 1 2019-03
## 5872 SEDANG 2019 3 4 2 2019-03
## 5873 SEDANG 2019 3 5 3 2019-03
## 5874 BAIK 2019 3 6 4 2019-03
## 5875 SEDANG 2019 3 7 5 2019-03
## 5876 SEDANG 2019 3 8 6 2019-03
## 5877 SEDANG 2019 3 9 7 2019-03
## 5878 BAIK 2019 3 10 1 2019-03
## 5879 SEDANG 2019 3 11 2 2019-03
## 5880 BAIK 2019 3 12 3 2019-03
## 5881 SEDANG 2019 3 13 4 2019-03
## 5882 SEDANG 2019 3 14 5 2019-03
## 5883 SEDANG 2019 3 15 6 2019-03
## 5884 SEDANG 2019 3 16 7 2019-03
## 5885 BAIK 2019 3 17 1 2019-03
## 5886 BAIK 2019 3 18 2 2019-03
## 5888 BAIK 2019 3 20 4 2019-03
## 5889 BAIK 2019 3 21 5 2019-03
## 5890 BAIK 2019 3 22 6 2019-03
## 5891 BAIK 2019 3 23 7 2019-03
## 5892 BAIK 2019 3 24 1 2019-03
## 5893 BAIK 2019 3 25 2 2019-03
## 5894 SEDANG 2019 3 26 3 2019-03
## 5895 SEDANG 2019 3 27 4 2019-03
## 5896 SEDANG 2019 3 28 5 2019-03
## 5897 SEDANG 2019 3 29 6 2019-03
## 5899 SEDANG 2019 3 31 1 2019-03
## 6021 SEDANG 2019 4 1 2 2019-04
## 6022 SEDANG 2019 4 2 3 2019-04
## 6023 SEDANG 2019 4 3 4 2019-04
## 6024 SEDANG 2019 4 4 5 2019-04
## 6025 SEDANG 2019 4 5 6 2019-04
## 6030 TIDAK SEHAT 2019 4 10 4 2019-04
## 6031 TIDAK SEHAT 2019 4 11 5 2019-04
## 6032 BAIK 2019 4 12 6 2019-04
## 6033 SEDANG 2019 4 13 7 2019-04
## 6034 SEDANG 2019 4 14 1 2019-04
## 6035 SEDANG 2019 4 15 2 2019-04
## 6036 TIDAK SEHAT 2019 4 16 3 2019-04
## 6037 SEDANG 2019 4 17 4 2019-04
## 6038 SEDANG 2019 4 18 5 2019-04
## 6039 SEDANG 2019 4 19 6 2019-04
## 6041 SEDANG 2019 4 21 1 2019-04
## 6044 BAIK 2019 4 24 4 2019-04
## 6045 SEDANG 2019 4 25 5 2019-04
## 6046 SEDANG 2019 4 26 6 2019-04
## 6047 BAIK 2019 4 27 7 2019-04
## 6048 SEDANG 2019 4 28 1 2019-04
## 6176 SEDANG 2019 5 3 6 2019-05
## 6178 SEDANG 2019 5 5 1 2019-05
## 6181 SEDANG 2019 5 8 4 2019-05
## 6182 SEDANG 2019 5 9 5 2019-05
## 6183 SEDANG 2019 5 10 6 2019-05
## 6185 SEDANG 2019 5 12 1 2019-05
## 6186 SEDANG 2019 5 13 2 2019-05
## 6187 SEDANG 2019 5 14 3 2019-05
## 6188 SEDANG 2019 5 15 4 2019-05
## 6189 SEDANG 2019 5 16 5 2019-05
## 6190 SEDANG 2019 5 17 6 2019-05
## 6191 SEDANG 2019 5 18 7 2019-05
## 6192 SEDANG 2019 5 19 1 2019-05
## 6193 SEDANG 2019 5 20 2 2019-05
## 6194 SEDANG 2019 5 21 3 2019-05
## 6195 SEDANG 2019 5 22 4 2019-05
## 6196 SEDANG 2019 5 23 5 2019-05
## 6197 SEDANG 2019 5 24 6 2019-05
## 6198 SEDANG 2019 5 25 7 2019-05
## 6199 SEDANG 2019 5 26 1 2019-05
## 6200 SEDANG 2019 5 27 2 2019-05
## 6201 SEDANG 2019 5 28 3 2019-05
## 6202 SEDANG 2019 5 29 4 2019-05
## 6203 SEDANG 2019 5 30 5 2019-05
## 6204 SEDANG 2019 5 31 6 2019-05
## 6326 SEDANG 2019 6 1 7 2019-06
## 6327 SEDANG 2019 6 2 1 2019-06
## 6328 SEDANG 2019 6 3 2 2019-06
## 6329 SEDANG 2019 6 4 3 2019-06
## 6330 SEDANG 2019 6 5 4 2019-06
## 6331 SEDANG 2019 6 6 5 2019-06
## 6332 SEDANG 2019 6 7 6 2019-06
## 6333 SEDANG 2019 6 8 7 2019-06
## 6334 SEDANG 2019 6 9 1 2019-06
## 6335 SEDANG 2019 6 10 2 2019-06
## 6336 TIDAK SEHAT 2019 6 11 3 2019-06
## 6337 SEDANG 2019 6 12 4 2019-06
## 6338 TIDAK SEHAT 2019 6 13 5 2019-06
## 6339 SEDANG 2019 6 14 6 2019-06
## 6340 SEDANG 2019 6 15 7 2019-06
## 6341 SEDANG 2019 6 16 1 2019-06
## 6342 SEDANG 2019 6 17 2 2019-06
## 6343 SEDANG 2019 6 18 3 2019-06
## 6344 SEDANG 2019 6 19 4 2019-06
## 6345 SEDANG 2019 6 20 5 2019-06
## 6346 SEDANG 2019 6 21 6 2019-06
## 6347 TIDAK SEHAT 2019 6 22 7 2019-06
## 6348 SEDANG 2019 6 23 1 2019-06
## 6349 SEDANG 2019 6 24 2 2019-06
## 6350 SEDANG 2019 6 25 3 2019-06
## 6351 SEDANG 2019 6 26 4 2019-06
## 6352 TIDAK SEHAT 2019 6 27 5 2019-06
## 6353 SEDANG 2019 6 28 6 2019-06
## 6354 SEDANG 2019 6 29 7 2019-06
## 6355 SEDANG 2019 6 30 1 2019-06
## 6479 SEDANG 2019 7 1 2 2019-07
## 6480 SEDANG 2019 7 2 3 2019-07
## 6481 SEDANG 2019 7 3 4 2019-07
## 6482 SEDANG 2019 7 4 5 2019-07
## 6483 SEDANG 2019 7 5 6 2019-07
## 6484 SEDANG 2019 7 6 7 2019-07
## 6485 SEDANG 2019 7 7 1 2019-07
## 6486 SEDANG 2019 7 8 2 2019-07
## 6487 SEDANG 2019 7 9 3 2019-07
## 6488 SEDANG 2019 7 10 4 2019-07
## 6489 SEDANG 2019 7 11 5 2019-07
## 6490 SEDANG 2019 7 12 6 2019-07
## 6491 TIDAK SEHAT 2019 7 13 7 2019-07
## 6492 TIDAK SEHAT 2019 7 14 1 2019-07
## 6493 SEDANG 2019 7 15 2 2019-07
## 6494 SEDANG 2019 7 16 3 2019-07
## 6495 SEDANG 2019 7 17 4 2019-07
## 6496 SEDANG 2019 7 18 5 2019-07
## 6497 SEDANG 2019 7 19 6 2019-07
## 6498 SEDANG 2019 7 20 7 2019-07
## 6499 SEDANG 2019 7 21 1 2019-07
## 6500 TIDAK SEHAT 2019 7 22 2 2019-07
## 6501 SEDANG 2019 7 23 3 2019-07
## 6504 SEDANG 2019 7 26 6 2019-07
## 6505 SEDANG 2019 7 27 7 2019-07
## 6506 TIDAK SEHAT 2019 7 28 1 2019-07
## 6507 SEDANG 2019 7 29 2 2019-07
## 6508 SEDANG 2019 7 30 3 2019-07
## 6509 SEDANG 2019 7 31 4 2019-07
## 6634 SEDANG 2019 8 1 5 2019-08
## 6635 SEDANG 2019 8 2 6 2019-08
## 6636 SEDANG 2019 8 3 7 2019-08
## 6637 SEDANG 2019 8 4 1 2019-08
## 6639 TIDAK SEHAT 2019 8 6 3 2019-08
## 6640 SEDANG 2019 8 7 4 2019-08
## 6642 SEDANG 2019 8 9 6 2019-08
## 6643 SEDANG 2019 8 10 7 2019-08
## 6644 SEDANG 2019 8 11 1 2019-08
## 6645 SEDANG 2019 8 12 2 2019-08
## 6646 SEDANG 2019 8 13 3 2019-08
## 6647 SEDANG 2019 8 14 4 2019-08
## 6648 TIDAK SEHAT 2019 8 15 5 2019-08
## 6649 SEDANG 2019 8 16 6 2019-08
## 6650 SEDANG 2019 8 17 7 2019-08
## 6651 SEDANG 2019 8 18 1 2019-08
## 6653 TIDAK SEHAT 2019 8 20 3 2019-08
## 6654 SEDANG 2019 8 21 4 2019-08
## 6656 SEDANG 2019 8 23 6 2019-08
## 6657 TIDAK SEHAT 2019 8 24 7 2019-08
## 6658 TIDAK SEHAT 2019 8 25 1 2019-08
## 6659 TIDAK SEHAT 2019 8 26 2 2019-08
## 6660 SEDANG 2019 8 27 3 2019-08
## 6661 SEDANG 2019 8 28 4 2019-08
## 6662 SEDANG 2019 8 29 5 2019-08
## 6663 SEDANG 2019 8 30 6 2019-08
## 6664 SEDANG 2019 8 31 7 2019-08
## 6788 SEDANG 2019 9 3 3 2019-09
## 6789 TIDAK SEHAT 2019 9 4 4 2019-09
## 6790 TIDAK SEHAT 2019 9 5 5 2019-09
## 6791 SEDANG 2019 9 6 6 2019-09
## 6792 SEDANG 2019 9 7 7 2019-09
## 6793 SEDANG 2019 9 8 1 2019-09
## 6794 SEDANG 2019 9 9 2 2019-09
## 6795 SEDANG 2019 9 10 3 2019-09
## 6796 SEDANG 2019 9 11 4 2019-09
## 6797 TIDAK SEHAT 2019 9 12 5 2019-09
## 6798 SEDANG 2019 9 13 6 2019-09
## 6799 TIDAK SEHAT 2019 9 14 7 2019-09
## 6800 SEDANG 2019 9 15 1 2019-09
## 6801 SEDANG 2019 9 16 2 2019-09
## 6802 SEDANG 2019 9 17 3 2019-09
## 6803 TIDAK SEHAT 2019 9 18 4 2019-09
## 6804 SEDANG 2019 9 19 5 2019-09
## 6805 SEDANG 2019 9 20 6 2019-09
## 6806 TIDAK SEHAT 2019 9 21 7 2019-09
## 6807 TIDAK SEHAT 2019 9 22 1 2019-09
## 6808 SEDANG 2019 9 23 2 2019-09
## 6809 SEDANG 2019 9 24 3 2019-09
## 6811 SEDANG 2019 9 26 5 2019-09
## 6812 SEDANG 2019 9 27 6 2019-09
## 6813 SEDANG 2019 9 28 7 2019-09
## 6814 SEDANG 2019 9 29 1 2019-09
## 6815 SEDANG 2019 9 30 2 2019-09
## 6939 TIDAK SEHAT 2019 10 1 3 2019-10
## 6940 TIDAK SEHAT 2019 10 2 4 2019-10
## 6941 SEDANG 2019 10 3 5 2019-10
## 6942 SEDANG 2019 10 4 6 2019-10
## 6943 SEDANG 2019 10 5 7 2019-10
## 6945 SEDANG 2019 10 7 2 2019-10
## 6946 SEDANG 2019 10 8 3 2019-10
## 6948 SEDANG 2019 10 10 5 2019-10
## 6949 SEDANG 2019 10 11 6 2019-10
## 6952 SEDANG 2019 10 14 2 2019-10
## 6954 TIDAK SEHAT 2019 10 16 4 2019-10
## 6955 TIDAK SEHAT 2019 10 17 5 2019-10
## 6956 SEDANG 2019 10 18 6 2019-10
## 6957 SEDANG 2019 10 19 7 2019-10
## 6958 SEDANG 2019 10 20 1 2019-10
## 6959 SEDANG 2019 10 21 2 2019-10
## 6960 SEDANG 2019 10 22 3 2019-10
## 6961 SEDANG 2019 10 23 4 2019-10
## 6962 TIDAK SEHAT 2019 10 24 5 2019-10
## 6963 TIDAK SEHAT 2019 10 25 6 2019-10
## 6964 TIDAK SEHAT 2019 10 26 7 2019-10
## 6965 SEDANG 2019 10 27 1 2019-10
## 6967 SEDANG 2019 10 29 3 2019-10
## 6968 SEDANG 2019 10 30 4 2019-10
## 6969 SEDANG 2019 10 31 5 2019-10
## 7091 SEDANG 2019 11 1 6 2019-11
## 7092 SEDANG 2019 11 2 7 2019-11
## 7093 SEDANG 2019 11 3 1 2019-11
## 7094 SEDANG 2019 11 4 2 2019-11
## 7095 TIDAK SEHAT 2019 11 5 3 2019-11
## 7096 TIDAK SEHAT 2019 11 6 4 2019-11
## 7097 TIDAK SEHAT 2019 11 7 5 2019-11
## 7098 TIDAK SEHAT 2019 11 8 6 2019-11
## 7099 TIDAK SEHAT 2019 11 9 7 2019-11
## 7100 TIDAK SEHAT 2019 11 10 1 2019-11
## 7101 TIDAK SEHAT 2019 11 11 2 2019-11
## 7103 SEDANG 2019 11 13 4 2019-11
## 7104 SEDANG 2019 11 14 5 2019-11
## 7105 SEDANG 2019 11 15 6 2019-11
## 7106 SEDANG 2019 11 16 7 2019-11
## 7107 SEDANG 2019 11 17 1 2019-11
## 7108 SEDANG 2019 11 18 2 2019-11
## 7109 SEDANG 2019 11 19 3 2019-11
## 7111 SEDANG 2019 11 21 5 2019-11
## 7112 SEDANG 2019 11 22 6 2019-11
## 7113 SEDANG 2019 11 23 7 2019-11
## 7114 SEDANG 2019 11 24 1 2019-11
## 7115 SEDANG 2019 11 25 2 2019-11
## 7116 SEDANG 2019 11 26 3 2019-11
## 7117 SEDANG 2019 11 27 4 2019-11
## 7118 SEDANG 2019 11 28 5 2019-11
## 7119 TIDAK SEHAT 2019 11 29 6 2019-11
## 7247 TIDAK SEHAT 2019 12 4 4 2019-12
## 7248 TIDAK SEHAT 2019 12 5 5 2019-12
## 7249 TIDAK SEHAT 2019 12 6 6 2019-12
## 7250 SEDANG 2019 12 7 7 2019-12
## 7252 TIDAK SEHAT 2019 12 9 2 2019-12
## 7258 SEDANG 2019 12 15 1 2019-12
## 7262 SEDANG 2019 12 19 5 2019-12
## 7263 SEDANG 2019 12 20 6 2019-12
## 7264 TIDAK SEHAT 2019 12 21 7 2019-12
## 7265 SEDANG 2019 12 22 1 2019-12
## 7267 SEDANG 2019 12 24 3 2019-12
## 7268 SEDANG 2019 12 25 4 2019-12
## 7270 SEDANG 2019 12 27 6 2019-12
## 7271 SEDANG 2019 12 28 7 2019-12
## 7272 SEDANG 2019 12 29 1 2019-12
## 7273 SEDANG 2019 12 30 2 2019-12
## 7274 SEDANG 2019 12 31 3 2019-12
## 7400 BAIK 2020 1 2 5 2020-01
## 7401 SEDANG 2020 1 3 6 2020-01
## 7402 SEDANG 2020 1 4 7 2020-01
## 7403 BAIK 2020 1 5 1 2020-01
## 7404 SEDANG 2020 1 6 2 2020-01
## 7405 BAIK 2020 1 7 3 2020-01
## 7406 SEDANG 2020 1 8 4 2020-01
## 7407 SEDANG 2020 1 9 5 2020-01
## 7408 BAIK 2020 1 10 6 2020-01
## 7409 BAIK 2020 1 11 7 2020-01
## 7410 BAIK 2020 1 12 1 2020-01
## 7411 SEDANG 2020 1 13 2 2020-01
## 7412 BAIK 2020 1 14 3 2020-01
## 7413 SEDANG 2020 1 15 4 2020-01
## 7414 SEDANG 2020 1 16 5 2020-01
## 7415 TIDAK SEHAT 2020 1 17 6 2020-01
## 7416 SEDANG 2020 1 18 7 2020-01
## 7417 SEDANG 2020 1 19 1 2020-01
## 7418 SEDANG 2020 1 20 2 2020-01
## 7419 SEDANG 2020 1 21 3 2020-01
## 7420 SEDANG 2020 1 22 4 2020-01
## 7421 SEDANG 2020 1 23 5 2020-01
## 7422 SEDANG 2020 1 24 6 2020-01
## 7423 BAIK 2020 1 25 7 2020-01
## 7424 SEDANG 2020 1 26 1 2020-01
## 7425 SEDANG 2020 1 27 2 2020-01
## 7427 SEDANG 2020 1 29 4 2020-01
## 7428 SEDANG 2020 1 30 5 2020-01
## 7429 SEDANG 2020 1 31 6 2020-01
## 7548 SEDANG 2020 2 1 7 2020-02
## 7549 SEDANG 2020 2 2 1 2020-02
## 7550 SEDANG 2020 2 3 2 2020-02
## 7551 BAIK 2020 2 4 3 2020-02
## 7552 SEDANG 2020 2 5 4 2020-02
## 7553 SEDANG 2020 2 6 5 2020-02
## 7555 SEDANG 2020 2 8 7 2020-02
## 7556 BAIK 2020 2 9 1 2020-02
## 7557 SEDANG 2020 2 10 2 2020-02
## 7558 SEDANG 2020 2 11 3 2020-02
## 7562 TIDAK SEHAT 2020 2 15 7 2020-02
## 7563 TIDAK SEHAT 2020 2 16 1 2020-02
## 7564 TIDAK SEHAT 2020 2 17 2 2020-02
## 7565 SEDANG 2020 2 18 3 2020-02
## 7566 SEDANG 2020 2 19 4 2020-02
## 7567 SEDANG 2020 2 20 5 2020-02
## 7568 SEDANG 2020 2 21 6 2020-02
## 7569 SEDANG 2020 2 22 7 2020-02
## 7572 SEDANG 2020 2 25 3 2020-02
## 7573 SEDANG 2020 2 26 4 2020-02
## 7574 SEDANG 2020 2 27 5 2020-02
## 7575 TIDAK SEHAT 2020 2 28 6 2020-02
## 7576 SEDANG 2020 2 29 7 2020-02
## 7699 SEDANG 2020 3 1 1 2020-03
## 7700 TIDAK SEHAT 2020 3 2 2 2020-03
## 7701 TIDAK SEHAT 2020 3 3 3 2020-03
## 7702 TIDAK SEHAT 2020 3 4 4 2020-03
## 7703 SEDANG 2020 3 5 5 2020-03
## 7704 SEDANG 2020 3 6 6 2020-03
## 7706 SEDANG 2020 3 8 1 2020-03
## 7708 SEDANG 2020 3 10 3 2020-03
## 7712 TIDAK SEHAT 2020 3 14 7 2020-03
## 7713 TIDAK SEHAT 2020 3 15 1 2020-03
## 7714 TIDAK SEHAT 2020 3 16 2 2020-03
## 7715 TIDAK SEHAT 2020 3 17 3 2020-03
## 7716 TIDAK SEHAT 2020 3 18 4 2020-03
## 7717 SEDANG 2020 3 19 5 2020-03
## 7719 SEDANG 2020 3 21 7 2020-03
## 7722 SEDANG 2020 3 24 3 2020-03
## 7726 TIDAK SEHAT 2020 3 28 7 2020-03
## 7727 SEDANG 2020 3 29 1 2020-03
## 7728 SEDANG 2020 3 30 2 2020-03
## 7851 SEDANG 2020 4 1 4 2020-04
## 7852 SEDANG 2020 4 2 5 2020-04
## 7853 SEDANG 2020 4 3 6 2020-04
## 7854 SEDANG 2020 4 4 7 2020-04
## 7855 SEDANG 2020 4 5 1 2020-04
## 7856 SEDANG 2020 4 6 2 2020-04
## 7857 BAIK 2020 4 7 3 2020-04
## 7858 SEDANG 2020 4 8 4 2020-04
## 7859 SEDANG 2020 4 9 5 2020-04
## 7860 TIDAK SEHAT 2020 4 10 6 2020-04
## 7861 TIDAK SEHAT 2020 4 11 7 2020-04
## 7862 SEDANG 2020 4 12 1 2020-04
## 7863 SEDANG 2020 4 13 2 2020-04
## 7864 SEDANG 2020 4 14 3 2020-04
## 7865 SEDANG 2020 4 15 4 2020-04
## 7866 SEDANG 2020 4 16 5 2020-04
## 7867 SEDANG 2020 4 17 6 2020-04
## 7868 SEDANG 2020 4 18 7 2020-04
## 7869 SEDANG 2020 4 19 1 2020-04
## 7870 SEDANG 2020 4 20 2 2020-04
## 7871 SEDANG 2020 4 21 3 2020-04
## 7872 TIDAK SEHAT 2020 4 22 4 2020-04
## 7873 SEDANG 2020 4 23 5 2020-04
## 7875 SEDANG 2020 4 25 7 2020-04
## 7878 SEDANG 2020 4 28 3 2020-04
## 7880 SEDANG 2020 4 30 5 2020-04
## 8010 SEDANG 2020 5 7 5 2020-05
## 8011 SEDANG 2020 5 8 6 2020-05
## 8012 SEDANG 2020 5 9 7 2020-05
## 8013 SEDANG 2020 5 10 1 2020-05
## 8014 SEDANG 2020 5 11 2 2020-05
## 8015 SEDANG 2020 5 12 3 2020-05
## 8016 SEDANG 2020 5 13 4 2020-05
## 8017 SEDANG 2020 5 14 5 2020-05
## 8018 SEDANG 2020 5 15 6 2020-05
## 8019 SEDANG 2020 5 16 7 2020-05
## 8020 SEDANG 2020 5 17 1 2020-05
## 8021 SEDANG 2020 5 18 2 2020-05
## 8022 SEDANG 2020 5 19 3 2020-05
## 8023 SEDANG 2020 5 20 4 2020-05
## 8024 SEDANG 2020 5 21 5 2020-05
## 8025 SEDANG 2020 5 22 6 2020-05
## 8026 BAIK 2020 5 23 7 2020-05
## 8027 SEDANG 2020 5 24 1 2020-05
## 8028 BAIK 2020 5 25 2 2020-05
## 8029 SEDANG 2020 5 26 3 2020-05
## 8030 SEDANG 2020 5 27 4 2020-05
## 8031 SEDANG 2020 5 28 5 2020-05
## 8032 SEDANG 2020 5 29 6 2020-05
## 8033 SEDANG 2020 5 30 7 2020-05
## 8156 SEDANG 2020 6 6 7 2020-06
## 8157 BAIK 2020 6 6 7 2020-06
## 8158 BAIK 2020 6 6 7 2020-06
## 8159 SEDANG 2020 6 6 7 2020-06
## 8160 SEDANG 2020 6 6 7 2020-06
## 8161 SEDANG 2020 6 6 7 2020-06
## 8162 SEDANG 2020 6 6 7 2020-06
## 8163 SEDANG 2020 6 6 7 2020-06
## 8164 SEDANG 2020 6 6 7 2020-06
## 8166 SEDANG 2020 6 6 7 2020-06
## 8167 SEDANG 2020 6 6 7 2020-06
## 8168 SEDANG 2020 6 6 7 2020-06
## 8169 SEDANG 2020 6 6 7 2020-06
## 8170 SEDANG 2020 6 6 7 2020-06
## 8171 SEDANG 2020 6 6 7 2020-06
## 8172 SEDANG 2020 6 6 7 2020-06
## 8173 SEDANG 2020 6 6 7 2020-06
## 8174 SEDANG 2020 6 6 7 2020-06
## 8175 SEDANG 2020 6 6 7 2020-06
## 8176 SEDANG 2020 6 6 7 2020-06
## 8177 SEDANG 2020 6 6 7 2020-06
## 8178 SEDANG 2020 6 6 7 2020-06
## 8179 SEDANG 2020 6 6 7 2020-06
## 8180 SEDANG 2020 6 6 7 2020-06
## 8181 SEDANG 2020 6 6 7 2020-06
## 8182 SEDANG 2020 6 6 7 2020-06
## 8183 SEDANG 2020 6 6 7 2020-06
## 8184 SEDANG 2020 6 6 7 2020-06
## 8185 SEDANG 2020 6 6 7 2020-06
## 8309 SEDANG 2020 7 1 4 2020-07
## 8310 SEDANG 2020 7 2 5 2020-07
## 8311 SEDANG 2020 7 3 6 2020-07
## 8312 SEDANG 2020 7 4 7 2020-07
## 8313 SEDANG 2020 7 5 1 2020-07
## 8314 SEDANG 2020 7 6 2 2020-07
## 8315 SEDANG 2020 7 7 3 2020-07
## 8316 SEDANG 2020 7 8 4 2020-07
## 8317 SEDANG 2020 7 9 5 2020-07
## 8318 TIDAK SEHAT 2020 7 10 6 2020-07
## 8319 SEDANG 2020 7 11 7 2020-07
## 8320 SEDANG 2020 7 12 1 2020-07
## 8321 SEDANG 2020 7 13 2 2020-07
## 8323 SEDANG 2020 7 15 4 2020-07
## 8324 SEDANG 2020 7 16 5 2020-07
## 8325 SEDANG 2020 7 17 6 2020-07
## 8326 SEDANG 2020 7 18 7 2020-07
## 8327 SEDANG 2020 7 19 1 2020-07
## 8329 SEDANG 2020 7 21 3 2020-07
## 8330 SEDANG 2020 7 22 4 2020-07
## 8331 SEDANG 2020 7 23 5 2020-07
## 8332 SEDANG 2020 7 24 6 2020-07
## 8333 SEDANG 2020 7 25 7 2020-07
## 8334 SEDANG 2020 7 26 1 2020-07
## 8335 SEDANG 2020 7 27 2 2020-07
## 8338 SEDANG 2020 7 30 5 2020-07
## 8339 SEDANG 2020 7 31 6 2020-07
## 8465 SEDANG 2020 8 2 1 2020-08
## 8466 SEDANG 2020 8 3 2 2020-08
## 8467 SEDANG 2020 8 4 3 2020-08
## 8468 SEDANG 2020 8 5 4 2020-08
## 8469 SEDANG 2020 8 6 5 2020-08
## 8470 SEDANG 2020 8 7 6 2020-08
## 8471 SEDANG 2020 8 8 7 2020-08
## 8472 SEDANG 2020 8 9 1 2020-08
## 8473 SEDANG 2020 8 10 2 2020-08
## 8474 SEDANG 2020 8 11 3 2020-08
## 8475 SEDANG 2020 8 12 4 2020-08
## 8476 SEDANG 2020 8 13 5 2020-08
## 8481 SEDANG 2020 8 18 3 2020-08
## 8482 SEDANG 2020 8 19 4 2020-08
## 8483 SEDANG 2020 8 20 5 2020-08
## 8484 SEDANG 2020 8 21 6 2020-08
## 8485 SEDANG 2020 8 22 7 2020-08
## 8486 SEDANG 2020 8 23 1 2020-08
## 8487 SEDANG 2020 8 24 2 2020-08
## 8488 SEDANG 2020 8 25 3 2020-08
## 8489 SEDANG 2020 8 26 4 2020-08
## 8490 SEDANG 2020 8 27 5 2020-08
## 8491 SEDANG 2020 8 28 6 2020-08
## 8492 SEDANG 2020 8 29 7 2020-08
## 8493 SEDANG 2020 8 30 1 2020-08
## 8494 SEDANG 2020 8 31 2 2020-08
## 8616 SEDANG 2020 9 1 3 2020-09
## 8617 SEDANG 2020 9 2 4 2020-09
## 8618 SEDANG 2020 9 3 5 2020-09
## 8619 SEDANG 2020 9 4 6 2020-09
## 8620 SEDANG 2020 9 5 7 2020-09
## 8621 SEDANG 2020 9 6 1 2020-09
## 8623 SEDANG 2020 9 8 3 2020-09
## 8624 SEDANG 2020 9 9 4 2020-09
## 8625 SEDANG 2020 9 10 5 2020-09
## 8626 SEDANG 2020 9 11 6 2020-09
## 8627 SEDANG 2020 9 12 7 2020-09
## 8628 SEDANG 2020 9 13 1 2020-09
## 8629 SEDANG 2020 9 14 2 2020-09
## 8631 SEDANG 2020 9 16 4 2020-09
## 8632 SEDANG 2020 9 17 5 2020-09
## 8633 SEDANG 2020 9 18 6 2020-09
## 8634 SEDANG 2020 9 19 7 2020-09
## 8635 SEDANG 2020 9 20 1 2020-09
## 8636 SEDANG 2020 9 21 2 2020-09
## 8637 SEDANG 2020 9 22 3 2020-09
## 8638 SEDANG 2020 9 23 4 2020-09
## 8640 SEDANG 2020 9 25 6 2020-09
## 8641 SEDANG 2020 9 26 7 2020-09
## 8642 SEDANG 2020 9 27 1 2020-09
## 8643 SEDANG 2020 9 28 2 2020-09
## 8644 SEDANG 2020 9 29 3 2020-09
## 8769 SEDANG 2020 10 1 5 2020-10
## 8770 SEDANG 2020 10 2 6 2020-10
## 8771 SEDANG 2020 10 3 7 2020-10
## 8772 SEDANG 2020 10 4 1 2020-10
## 8773 SEDANG 2020 10 5 2 2020-10
## 8774 TIDAK SEHAT 2020 10 6 3 2020-10
## 8775 SEDANG 2020 10 7 4 2020-10
## 8776 SEDANG 2020 10 8 5 2020-10
## 8777 SEDANG 2020 10 9 6 2020-10
## 8778 SEDANG 2020 10 10 7 2020-10
## 8779 SEDANG 2020 10 11 1 2020-10
## 8781 SEDANG 2020 10 13 3 2020-10
## 8782 SEDANG 2020 10 14 4 2020-10
## 8783 SEDANG 2020 10 15 5 2020-10
## 8784 SEDANG 2020 10 16 6 2020-10
## 8785 SEDANG 2020 10 17 7 2020-10
## 8786 SEDANG 2020 10 18 1 2020-10
## 8787 SEDANG 2020 10 19 2 2020-10
## 8788 SEDANG 2020 10 20 3 2020-10
## 8789 TIDAK SEHAT 2020 10 21 4 2020-10
## 8790 SEDANG 2020 10 22 5 2020-10
## 8791 BAIK 2020 10 23 6 2020-10
## 8792 SEDANG 2020 10 24 7 2020-10
## 8793 SEDANG 2020 10 25 1 2020-10
## 8794 SEDANG 2020 10 26 2 2020-10
## 8795 SEDANG 2020 10 27 3 2020-10
## 8796 TIDAK SEHAT 2020 10 28 4 2020-10
## 8797 SEDANG 2020 10 29 5 2020-10
## 8798 SEDANG 2020 10 30 6 2020-10
## 8799 SEDANG 2020 10 31 7 2020-10
## 8921 SEDANG 2020 11 1 1 2020-11
## 8922 BAIK 2020 11 2 2 2020-11
## 8923 SEDANG 2020 11 3 3 2020-11
## 8924 SEDANG 2020 11 4 4 2020-11
## 8925 SEDANG 2020 11 5 5 2020-11
## 8926 SEDANG 2020 11 6 6 2020-11
## 8927 SEDANG 2020 11 7 7 2020-11
## 8928 SEDANG 2020 11 8 1 2020-11
## 8929 SEDANG 2020 11 9 2 2020-11
## 8930 SEDANG 2020 11 10 3 2020-11
## 8931 SEDANG 2020 11 11 4 2020-11
## 8932 SEDANG 2020 11 12 5 2020-11
## 8933 SEDANG 2020 11 13 6 2020-11
## 8934 SEDANG 2020 11 14 7 2020-11
## 8935 SEDANG 2020 11 15 1 2020-11
## 8936 SEDANG 2020 11 16 2 2020-11
## 8937 SEDANG 2020 11 17 3 2020-11
## 8938 SEDANG 2020 11 18 4 2020-11
## 8939 SEDANG 2020 11 19 5 2020-11
## 8940 SEDANG 2020 11 20 6 2020-11
## 8941 SEDANG 2020 11 21 7 2020-11
## 8942 SEDANG 2020 11 22 1 2020-11
## 8943 SEDANG 2020 11 23 2 2020-11
## 8944 SEDANG 2020 11 24 3 2020-11
## 8945 SEDANG 2020 11 25 4 2020-11
## 8946 SEDANG 2020 11 26 5 2020-11
## 8947 SEDANG 2020 11 27 6 2020-11
## 8949 SEDANG 2020 11 29 1 2020-11
## 8950 BAIK 2020 11 30 2 2020-11
## 9074 BAIK 2020 12 1 3 2020-12
## 9075 BAIK 2020 12 2 4 2020-12
## 9076 BAIK 2020 12 3 5 2020-12
## 9077 SEDANG 2020 12 4 6 2020-12
## 9078 BAIK 2020 12 5 7 2020-12
## 9079 BAIK 2020 12 6 1 2020-12
## 9080 BAIK 2020 12 7 2 2020-12
## 9081 BAIK 2020 12 8 3 2020-12
## 9082 BAIK 2020 12 9 4 2020-12
## 9083 BAIK 2020 12 10 5 2020-12
## 9084 BAIK 2020 12 11 6 2020-12
## 9085 BAIK 2020 12 12 7 2020-12
## 9086 BAIK 2020 12 13 1 2020-12
## 9087 BAIK 2020 12 14 2 2020-12
## 9088 BAIK 2020 12 15 3 2020-12
## 9089 BAIK 2020 12 16 4 2020-12
## 9090 BAIK 2020 12 17 5 2020-12
## 9091 BAIK 2020 12 18 6 2020-12
## 9092 BAIK 2020 12 19 7 2020-12
## 9093 BAIK 2020 12 20 1 2020-12
## 9094 BAIK 2020 12 21 2 2020-12
## 9095 BAIK 2020 12 22 3 2020-12
## 9096 SEDANG 2020 12 23 4 2020-12
## 9097 SEDANG 2020 12 24 5 2020-12
## 9098 BAIK 2020 12 25 6 2020-12
## 9099 BAIK 2020 12 26 7 2020-12
## 9100 BAIK 2020 12 27 1 2020-12
## 9101 BAIK 2020 12 28 2 2020-12
## 9102 BAIK 2020 12 29 3 2020-12
## 9103 BAIK 2020 12 30 4 2020-12
## 9104 BAIK 2020 12 31 5 2020-12
## 9229 BAIK 2021 1 1 6 2021-01
## 9230 SEDANG 2021 1 2 7 2021-01
## 9231 SEDANG 2021 1 3 1 2021-01
## 9232 BAIK 2021 1 4 2 2021-01
## 9233 SEDANG 2021 1 5 3 2021-01
## 9234 SEDANG 2021 1 6 4 2021-01
## 9235 SEDANG 2021 1 7 5 2021-01
## 9236 SEDANG 2021 1 8 6 2021-01
## 9237 SEDANG 2021 1 9 7 2021-01
## 9238 BAIK 2021 1 10 1 2021-01
## 9239 SEDANG 2021 1 11 2 2021-01
## 9240 BAIK 2021 1 12 3 2021-01
## 9241 BAIK 2021 1 13 4 2021-01
## 9242 BAIK 2021 1 14 5 2021-01
## 9243 SEDANG 2021 1 15 6 2021-01
## 9244 BAIK 2021 1 16 7 2021-01
## 9245 SEDANG 2021 1 17 1 2021-01
## 9246 BAIK 2021 1 18 2 2021-01
## 9247 BAIK 2021 1 19 3 2021-01
## 9248 SEDANG 2021 1 20 4 2021-01
## 9249 SEDANG 2021 1 21 5 2021-01
## 9250 SEDANG 2021 1 22 6 2021-01
## 9251 SEDANG 2021 1 23 7 2021-01
## 9254 SEDANG 2021 1 26 3 2021-01
## 9255 BAIK 2021 1 27 4 2021-01
## 9256 BAIK 2021 1 28 5 2021-01
## 9257 BAIK 2021 1 29 6 2021-01
## 9258 BAIK 2021 1 30 7 2021-01
## 9376 SEDANG 2021 2 2 3 2021-02
## 9377 SEDANG 2021 2 3 4 2021-02
## 9378 SEDANG 2021 2 4 5 2021-02
## 9379 BAIK 2021 2 5 6 2021-02
## 9380 BAIK 2021 2 6 7 2021-02
## 9381 SEDANG 2021 2 7 1 2021-02
## 9382 BAIK 2021 2 8 2 2021-02
## 9383 SEDANG 2021 2 9 3 2021-02
## 9384 SEDANG 2021 2 10 4 2021-02
## 9385 BAIK 2021 2 11 5 2021-02
## 9386 SEDANG 2021 2 12 6 2021-02
## 9387 SEDANG 2021 2 13 7 2021-02
## 9388 SEDANG 2021 2 14 1 2021-02
## 9389 SEDANG 2021 2 15 2 2021-02
## 9390 SEDANG 2021 2 16 3 2021-02
## 9391 SEDANG 2021 2 17 4 2021-02
## 9392 SEDANG 2021 2 18 5 2021-02
## 9393 SEDANG 2021 2 19 6 2021-02
## 9394 SEDANG 2021 2 20 7 2021-02
## 9395 BAIK 2021 2 21 1 2021-02
## 9396 SEDANG 2021 2 22 2 2021-02
## 9397 SEDANG 2021 2 23 3 2021-02
## 9398 SEDANG 2021 2 24 4 2021-02
## 9399 BAIK 2021 2 25 5 2021-02
## 9400 SEDANG 2021 2 26 6 2021-02
## 9401 SEDANG 2021 2 27 7 2021-02
## 9402 TIDAK SEHAT 2021 2 28 1 2021-02
## 9524 SEDANG 2021 3 1 2 2021-03
## 9525 SEDANG 2021 3 2 3 2021-03
## 9526 SEDANG 2021 3 3 4 2021-03
## 9527 TIDAK SEHAT 2021 3 4 5 2021-03
## 9528 SEDANG 2021 3 5 6 2021-03
## 9529 SEDANG 2021 3 6 7 2021-03
## 9530 TIDAK SEHAT 2021 3 7 1 2021-03
## 9531 SEDANG 2021 3 8 2 2021-03
## 9532 SEDANG 2021 3 9 3 2021-03
## 9533 SEDANG 2021 3 10 4 2021-03
## 9534 SEDANG 2021 3 11 5 2021-03
## 9535 SEDANG 2021 3 12 6 2021-03
## 9536 SEDANG 2021 3 13 7 2021-03
## 9537 SEDANG 2021 3 14 1 2021-03
## 9538 SEDANG 2021 3 15 2 2021-03
## 9539 TIDAK SEHAT 2021 3 16 3 2021-03
## 9540 TIDAK SEHAT 2021 3 17 4 2021-03
## 9541 TIDAK SEHAT 2021 3 18 5 2021-03
## 9542 SEDANG 2021 3 19 6 2021-03
## 9543 SEDANG 2021 3 20 7 2021-03
## 9544 SEDANG 2021 3 21 1 2021-03
## 9545 SEDANG 2021 3 22 2 2021-03
## 9546 SEDANG 2021 3 23 3 2021-03
## 9547 SEDANG 2021 3 24 4 2021-03
## 9548 SEDANG 2021 3 25 5 2021-03
## 9549 SEDANG 2021 3 26 6 2021-03
## 9550 SEDANG 2021 3 27 7 2021-03
## 9551 SEDANG 2021 3 28 1 2021-03
## 9552 SEDANG 2021 3 29 2 2021-03
## 9553 SEDANG 2021 3 30 3 2021-03
## 9554 SEDANG 2021 3 31 4 2021-03
## 9676 BAIK 2021 4 1 5 2021-04
## 9677 SEDANG 2021 4 2 6 2021-04
## 9678 SEDANG 2021 4 3 7 2021-04
## 9679 TIDAK SEHAT 2021 4 4 1 2021-04
## 9680 SEDANG 2021 4 5 2 2021-04
## 9681 BAIK 2021 4 6 3 2021-04
## 9682 BAIK 2021 4 7 4 2021-04
## 9683 SEDANG 2021 4 8 5 2021-04
## 9684 SEDANG 2021 4 9 6 2021-04
## 9685 SEDANG 2021 4 10 7 2021-04
## 9686 TIDAK SEHAT 2021 4 11 1 2021-04
## 9687 SEDANG 2021 4 12 2 2021-04
## 9688 SEDANG 2021 4 13 3 2021-04
## 9689 SEDANG 2021 4 14 4 2021-04
## 9690 SEDANG 2021 4 15 5 2021-04
## 9691 SEDANG 2021 4 16 6 2021-04
## 9692 TIDAK SEHAT 2021 4 17 7 2021-04
## 9695 SEDANG 2021 4 20 3 2021-04
## 9696 TIDAK SEHAT 2021 4 21 4 2021-04
## 9697 SEDANG 2021 4 22 5 2021-04
## 9698 TIDAK SEHAT 2021 4 23 6 2021-04
## 9699 SEDANG 2021 4 24 7 2021-04
## 9700 TIDAK SEHAT 2021 4 25 1 2021-04
## 9701 TIDAK SEHAT 2021 4 26 2 2021-04
## 9702 TIDAK SEHAT 2021 4 27 3 2021-04
## 9703 SEDANG 2021 4 28 4 2021-04
## 9704 SEDANG 2021 4 29 5 2021-04
## 9832 TIDAK SEHAT 2021 5 4 3 2021-05
## 9833 TIDAK SEHAT 2021 5 5 4 2021-05
## 9834 SEDANG 2021 5 6 5 2021-05
## 9835 SEDANG 2021 5 7 6 2021-05
## 9836 SEDANG 2021 5 8 7 2021-05
## 9837 SEDANG 2021 5 9 1 2021-05
## 9838 SEDANG 2021 5 10 2 2021-05
## 9839 TIDAK SEHAT 2021 5 11 3 2021-05
## 9840 TIDAK SEHAT 2021 5 12 4 2021-05
## 9841 TIDAK SEHAT 2021 5 13 5 2021-05
## 9842 SEDANG 2021 5 14 6 2021-05
## 9845 SEDANG 2021 5 17 2 2021-05
## 9847 SEDANG 2021 5 19 4 2021-05
## 9848 TIDAK SEHAT 2021 5 20 5 2021-05
## 9849 SEDANG 2021 5 21 6 2021-05
## 9851 TIDAK SEHAT 2021 5 23 1 2021-05
## 9852 TIDAK SEHAT 2021 5 24 2 2021-05
## 9853 SEDANG 2021 5 25 3 2021-05
## 9854 SEDANG 2021 5 26 4 2021-05
## 9855 SEDANG 2021 5 27 5 2021-05
## 9856 SEDANG 2021 5 28 6 2021-05
## 9857 SEDANG 2021 5 29 7 2021-05
## 9858 SEDANG 2021 5 30 1 2021-05
## 9859 SEDANG 2021 5 31 2 2021-05
## 9983 SEDANG 2021 6 3 5 2021-06
## 9984 SEDANG 2021 6 4 6 2021-06
## 9985 SEDANG 2021 6 5 7 2021-06
## 9986 SEDANG 2021 6 6 1 2021-06
## 9987 SEDANG 2021 6 7 2 2021-06
## 9990 TIDAK SEHAT 2021 6 10 5 2021-06
## 9992 SEDANG 2021 6 12 7 2021-06
## 9993 SEDANG 2021 6 13 1 2021-06
## 9994 TIDAK SEHAT 2021 6 14 2 2021-06
## 9995 TIDAK SEHAT 2021 6 15 3 2021-06
## 9996 SEDANG 2021 6 16 4 2021-06
## 9997 TIDAK SEHAT 2021 6 17 5 2021-06
## 9998 TIDAK SEHAT 2021 6 18 6 2021-06
## 9999 TIDAK SEHAT 2021 6 19 7 2021-06
## 10000 TIDAK SEHAT 2021 6 20 1 2021-06
## 10001 SEDANG 2021 6 21 2 2021-06
## 10002 SEDANG 2021 6 22 3 2021-06
## 10003 TIDAK SEHAT 2021 6 23 4 2021-06
## 10004 TIDAK SEHAT 2021 6 24 5 2021-06
## 10005 TIDAK SEHAT 2021 6 25 6 2021-06
## 10006 TIDAK SEHAT 2021 6 26 7 2021-06
## 10007 TIDAK SEHAT 2021 6 27 1 2021-06
## 10008 TIDAK SEHAT 2021 6 28 2 2021-06
## 10009 TIDAK SEHAT 2021 6 29 3 2021-06
## 10010 TIDAK SEHAT 2021 6 30 4 2021-06
## 10134 TIDAK SEHAT 2021 7 1 5 2021-07
## 10135 TIDAK SEHAT 2021 7 2 6 2021-07
## 10136 TIDAK SEHAT 2021 7 3 7 2021-07
## 10137 TIDAK SEHAT 2021 7 4 1 2021-07
## 10138 TIDAK SEHAT 2021 7 5 2 2021-07
## 10139 SEDANG 2021 7 6 3 2021-07
## 10140 TIDAK SEHAT 2021 7 7 4 2021-07
## 10141 TIDAK SEHAT 2021 7 8 5 2021-07
## 10142 TIDAK SEHAT 2021 7 9 6 2021-07
## 10143 TIDAK SEHAT 2021 7 10 7 2021-07
## 10144 TIDAK SEHAT 2021 7 11 1 2021-07
## 10146 TIDAK SEHAT 2021 7 13 3 2021-07
## 10147 TIDAK SEHAT 2021 7 14 4 2021-07
## 10148 TIDAK SEHAT 2021 7 15 5 2021-07
## 10149 TIDAK SEHAT 2021 7 16 6 2021-07
## 10150 TIDAK SEHAT 2021 7 17 7 2021-07
## 10151 TIDAK SEHAT 2021 7 18 1 2021-07
## 10152 TIDAK SEHAT 2021 7 19 2 2021-07
## 10153 TIDAK SEHAT 2021 7 20 3 2021-07
## 10154 TIDAK SEHAT 2021 7 21 4 2021-07
## 10155 TIDAK SEHAT 2021 7 22 5 2021-07
## 10156 TIDAK SEHAT 2021 7 23 6 2021-07
## 10157 TIDAK SEHAT 2021 7 24 7 2021-07
## 10158 TIDAK SEHAT 2021 7 25 1 2021-07
## 10159 TIDAK SEHAT 2021 7 26 2 2021-07
## 10160 TIDAK SEHAT 2021 7 27 3 2021-07
## 10161 TIDAK SEHAT 2021 7 28 4 2021-07
## 10162 TIDAK SEHAT 2021 7 29 5 2021-07
## 10163 TIDAK SEHAT 2021 7 30 6 2021-07
## 10164 SEDANG 2021 7 31 7 2021-07
## 10289 SEDANG 2021 8 1 1 2021-08
## 10290 SEDANG 2021 8 2 2 2021-08
## 10291 TIDAK SEHAT 2021 8 3 3 2021-08
## 10292 SEDANG 2021 8 4 4 2021-08
## 10293 SEDANG 2021 8 5 5 2021-08
## 10294 TIDAK SEHAT 2021 8 6 6 2021-08
## 10295 TIDAK SEHAT 2021 8 7 7 2021-08
## 10296 SEDANG 2021 8 8 1 2021-08
## 10297 SEDANG 2021 8 9 2 2021-08
## 10298 SEDANG 2021 8 10 3 2021-08
## 10299 TIDAK SEHAT 2021 8 11 4 2021-08
## 10300 TIDAK SEHAT 2021 8 12 5 2021-08
## 10301 TIDAK SEHAT 2021 8 13 6 2021-08
## 10302 SEDANG 2021 8 14 7 2021-08
## 10303 TIDAK SEHAT 2021 8 15 1 2021-08
## 10304 SEDANG 2021 8 16 2 2021-08
## 10305 TIDAK SEHAT 2021 8 17 3 2021-08
## 10306 SEDANG 2021 8 18 4 2021-08
## 10307 TIDAK SEHAT 2021 8 19 5 2021-08
## 10308 TIDAK SEHAT 2021 8 20 6 2021-08
## 10309 SEDANG 2021 8 21 7 2021-08
## 10310 TIDAK SEHAT 2021 8 22 1 2021-08
## 10311 TIDAK SEHAT 2021 8 23 2 2021-08
## 10312 TIDAK SEHAT 2021 8 24 3 2021-08
## 10313 TIDAK SEHAT 2021 8 25 4 2021-08
## 10314 SEDANG 2021 8 26 5 2021-08
## 10315 TIDAK SEHAT 2021 8 27 6 2021-08
## 10316 TIDAK SEHAT 2021 8 28 7 2021-08
## 10317 TIDAK SEHAT 2021 8 29 1 2021-08
## 10318 TIDAK SEHAT 2021 8 30 2 2021-08
## 10319 TIDAK SEHAT 2021 8 31 3 2021-08
## 10441 TIDAK SEHAT 2021 9 1 4 2021-09
## 10442 TIDAK SEHAT 2021 9 2 5 2021-09
## 10443 TIDAK SEHAT 2021 9 3 6 2021-09
## 10444 SEDANG 2021 9 4 7 2021-09
## 10445 TIDAK SEHAT 2021 9 5 1 2021-09
## 10446 TIDAK SEHAT 2021 9 6 2 2021-09
## 10447 SEDANG 2021 9 7 3 2021-09
## 10448 TIDAK SEHAT 2021 9 8 4 2021-09
## 10449 SEDANG 2021 9 9 5 2021-09
## 10450 SEDANG 2021 9 10 6 2021-09
## 10451 TIDAK SEHAT 2021 9 11 7 2021-09
## 10452 TIDAK SEHAT 2021 9 12 1 2021-09
## 10453 SEDANG 2021 9 13 2 2021-09
## 10454 SEDANG 2021 9 14 3 2021-09
## 10455 TIDAK SEHAT 2021 9 15 4 2021-09
## 10456 SEDANG 2021 9 16 5 2021-09
## 10457 SEDANG 2021 9 17 6 2021-09
## 10458 TIDAK SEHAT 2021 9 18 7 2021-09
## 10599 TIDAK SEHAT 2021 10 6 4 2021-10
## 10600 SEDANG 2021 10 7 5 2021-10
## 10601 SEDANG 2021 10 8 6 2021-10
## 10602 SEDANG 2021 10 9 7 2021-10
## 10603 SEDANG 2021 10 10 1 2021-10
## 10604 SEDANG 2021 10 11 2 2021-10
## 10605 TIDAK SEHAT 2021 10 12 3 2021-10
## 10608 TIDAK SEHAT 2021 10 15 6 2021-10
## 10609 TIDAK SEHAT 2021 10 16 7 2021-10
## 10611 SEDANG 2021 10 18 2 2021-10
## 10612 SEDANG 2021 10 19 3 2021-10
## 10615 TIDAK SEHAT 2021 10 22 6 2021-10
## 10616 TIDAK SEHAT 2021 10 23 7 2021-10
## 10617 TIDAK SEHAT 2021 10 24 1 2021-10
## 10618 TIDAK SEHAT 2021 10 25 2 2021-10
## 10619 TIDAK SEHAT 2021 10 26 3 2021-10
## 10620 SEDANG 2021 10 27 4 2021-10
## 10621 SEDANG 2021 10 28 5 2021-10
## 10622 SEDANG 2021 10 29 6 2021-10
## 10623 TIDAK SEHAT 2021 10 30 7 2021-10
## 10747 SEDANG 2021 11 2 3 2021-11
## 10748 SEDANG 2021 11 3 4 2021-11
## 10749 SEDANG 2021 11 4 5 2021-11
## 10750 SEDANG 2021 11 5 6 2021-11
## 10751 SEDANG 2021 11 6 7 2021-11
## 10752 SEDANG 2021 11 7 1 2021-11
## 10753 SEDANG 2021 11 8 2 2021-11
## 10754 TIDAK SEHAT 2021 11 9 3 2021-11
## 10755 SEDANG 2021 11 10 4 2021-11
## 10756 SEDANG 2021 11 11 5 2021-11
## 10757 SEDANG 2021 11 12 6 2021-11
## 10758 SEDANG 2021 11 13 7 2021-11
## 10759 SEDANG 2021 11 14 1 2021-11
## 10760 SEDANG 2021 11 15 2 2021-11
## 10761 SEDANG 2021 11 16 3 2021-11
## 10762 SEDANG 2021 11 17 4 2021-11
## 10763 TIDAK SEHAT 2021 11 18 5 2021-11
## 10764 BAIK 2021 11 19 6 2021-11
## 10765 SEDANG 2021 11 20 7 2021-11
## 10766 SEDANG 2021 11 21 1 2021-11
## 10767 BAIK 2021 11 22 2 2021-11
## 10768 BAIK 2021 11 23 3 2021-11
## 10769 SEDANG 2021 11 24 4 2021-11
## 10770 SEDANG 2021 11 25 5 2021-11
## 10771 SEDANG 2021 11 26 6 2021-11
## 10772 SEDANG 2021 11 27 7 2021-11
## 10773 BAIK 2021 11 28 1 2021-11
## 10774 SEDANG 2021 11 29 2 2021-11
## 10775 SEDANG 2021 11 30 3 2021-11
## 10899 SEDANG 2021 12 1 4 2021-12
## 10900 SEDANG 2021 12 2 5 2021-12
## 10901 SEDANG 2021 12 3 6 2021-12
## 10902 SEDANG 2021 12 4 7 2021-12
## 10903 SEDANG 2021 12 5 1 2021-12
## 10904 SEDANG 2021 12 6 2 2021-12
## 10905 TIDAK SEHAT 2021 12 7 3 2021-12
## 10906 SEDANG 2021 12 8 4 2021-12
## 10907 SEDANG 2021 12 9 5 2021-12
## 10908 SEDANG 2021 12 10 6 2021-12
## 10909 SEDANG 2021 12 11 7 2021-12
## 10912 SEDANG 2021 12 14 3 2021-12
## 10913 TIDAK SEHAT 2021 12 15 4 2021-12
## 10914 TIDAK SEHAT 2021 12 16 5 2021-12
## 10915 SEDANG 2021 12 17 6 2021-12
## 10917 TIDAK SEHAT 2021 12 19 1 2021-12
## 10918 SEDANG 2021 12 20 2 2021-12
## 10919 SEDANG 2021 12 21 3 2021-12Nama_Minggu <- c(
`1` = "Senin",
`2` = "Selasa",
`3` = "Rabu",
`4` = "Kamis",
`5` = "Jumat",
`6` = "Sabtu",
`7` = "Minggu"
)
Nama_Bulan <- c(
`1` = "Januari",
`2` = "Februari",
`3` = "Maret",
`4` = "April",
`5` = "Mei",
`6` = "Juni",
`7` = "Juli",
`8` = "Agustus",
`9` = "September",
`10` = "Oktober",
`11` = "November",
`12` = "Desember"
)# Tingkat SO2 per Weekday
ggplot(data = df_dki_4, aes(x = weekday, y = so2, fill=factor(weekday)))+scale_fill_identity("Weekday", labels = Nama_Minggu, breaks = 1:7,
guide = "legend") +
geom_col() +
labs(title = "Tingkat SO2 Per Minggu") + # dari hari Senin s/d Minggu
theme_minimal()+ scale_x_continuous(breaks = 1:7,
labels = Nama_Minggu)
Tingkat jumlah partikel SO2 yang paling tinggi sepanjang minggu adalah dihari Sabtu=6 dan Minggu=7
# Tingkat SO2 per Month
ggplot(data = df_dki_4, aes(x = month, y = so2, fill=factor(month)))+scale_fill_identity("Month", labels = Nama_Bulan, breaks = 1:12,
guide = "legend") +
geom_col() +
labs(title = "Tingkat SO2 Per Bulan") + # dari hari Senin s/d Minggu
theme( axis.text.x = element_text(angle = 45, hjust = 1,size = 10))+ scale_x_continuous(breaks = 1:12,
labels = Nama_Bulan)
# Tingkat SO2 per month
ggplot(data = df_dki_4, aes(x = month, y = so2, col=month, fill=month)) +
geom_col() +
labs(title = "Tingkat SO2 Per Bulan") + # dari bulan Januari s/d Desember
theme_minimal()
Tingkat jumlah partikel SO2 yang paling rendah ada pada bulan 2 dan paling tinggi pada bulan 11
# Tingkat SO2 per Tahun
ggplot(data = df_dki_4, aes(x = year_month, y = so2)) +
geom_boxplot() +
labs(title = "Tingkat SO2 per Tahun") +
theme( axis.text.x = element_text(angle = 45, hjust = 1,size = 11)) 
Pola partikel SO2 per bulan tampaknya tidak sama setiap tahunnya.
Note: Bagian ini bisa disesuaikan dengan kebutuhan ekplorasi. jadi poin2 dari visualiasi bisa ditambah berdasarkan kebutuhan
kpss.test(Data.SPKU$pm10)## Warning in kpss.test(Data.SPKU$pm10): p-value smaller than printed p-value##
## KPSS Test for Level Stationarity
##
## data: Data.SPKU$pm10
## KPSS Level = 1.3729, Truncation lag parameter = 12, p-value = 0.01kpss.test(Data.SPKU$so2)## Warning in kpss.test(Data.SPKU$so2): p-value smaller than printed p-value##
## KPSS Test for Level Stationarity
##
## data: Data.SPKU$so2
## KPSS Level = 8.4753, Truncation lag parameter = 12, p-value = 0.01kpss.test(Data.SPKU$co)## Warning in kpss.test(Data.SPKU$co): p-value smaller than printed p-value##
## KPSS Test for Level Stationarity
##
## data: Data.SPKU$co
## KPSS Level = 11.253, Truncation lag parameter = 12, p-value = 0.01kpss.test(Data.SPKU$o3)## Warning in kpss.test(Data.SPKU$o3): p-value smaller than printed p-value##
## KPSS Test for Level Stationarity
##
## data: Data.SPKU$o3
## KPSS Level = 9.2316, Truncation lag parameter = 12, p-value = 0.01kpss.test(Data.SPKU$no2)## Warning in kpss.test(Data.SPKU$no2): p-value smaller than printed p-value##
## KPSS Test for Level Stationarity
##
## data: Data.SPKU$no2
## KPSS Level = 12.066, Truncation lag parameter = 12, p-value = 0.01acf(Data.SPKU$pm10, lag.max= 36)
pacf(Data.SPKU$pm10, lag.max= 36)
4. Model
Definisikan model prediksi yang akan dilakukan berdasarkan metode yg digunakan LSTM/Prophet/SARIMA
a. Model Prediksi PM10
Pengujian akan dilakukan pada data df_dki_4 dengan menggunakan uji Augmented Dickey-Fuller (ADF) dan Kwiatkowski Phillips Schmidt Shin (KPSS). ADF Test Test ini digunakan untuk memahami apakah deret tersebut stationer atau tidak. Ada 2 hipotesis yang bisa dikembangkan. H0: deret waktu tidak stationer dan memiliki beberapa struktur tergantung waktu H1: deret waktu stationer dan tidak memiliki beberapa struktur tergantung waktu dengan nilai p-value < 0,05 sehingga HO ditolak, H1 diterima
KPSS test H0 dan H1 untuk uji KPSS berlawanan dengan uji ADF, sehingga hipotesis dalam KPSS adalah H0: deret tren stationer H1: deret tren tidak stationer dengan nilai p-value < 0,05 sehingga HO diterima, H1 ditolak
adf.test(Data.SPKU$pm10)## Warning in adf.test(Data.SPKU$pm10): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: Data.SPKU$pm10
## Dickey-Fuller = -9.9403, Lag order = 21, p-value = 0.01
## alternative hypothesis: stationarykpss.test(Data.SPKU$pm10, null = "Level")## Warning in kpss.test(Data.SPKU$pm10, null = "Level"): p-value smaller than
## printed p-value##
## KPSS Test for Level Stationarity
##
## data: Data.SPKU$pm10
## KPSS Level = 1.3729, Truncation lag parameter = 12, p-value = 0.01#differensiasi data_so2 pada stasiun DKI4
Data.SPKU_diff <- diff(Data.SPKU$pm10)
#dropna dari data yang sudah di-differensiasi
Data.SPKU_diff <- Data.SPKU_diff[!is.na(Data.SPKU_diff)]#plot data yang sudah di-differensiasi dan di-dropna
ggplot(data.frame(date = 1:length(Data.SPKU_diff), value = Data.SPKU_diff), aes(x = date, y = value)) +
geom_line(color = "blue") +
ggtitle("Stationary timeseries")+
theme(plot.title = element_text(hjust = 0.5))+
scale_x_continuous(name = "Hari",
breaks = seq(0, length(Data.SPKU_diff), by = 365))+ #periode 365 hari
scale_y_continuous(name = "Nilai")+
theme(axis.text.x=element_text(angle=60,hjust=1))+
theme_minimal()
Berdasarkan hasil kedua uji ADF dan KPSS bisa disimpulkan nilai p-value < 0,05, sehingga bisa disimpulkan bahwa data deret waktu sudah stationer. Begitu juga dengan hasil visualiasi uji stationer bisa dilihat bahwa tidak terlihat tren apapun atau perubahan yang jelas dalam varians sehingga deret waktu sudah stationer.
adf.test(df_dki_4$pm10)## Warning in adf.test(df_dki_4$pm10): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: df_dki_4$pm10
## Dickey-Fuller = -6.4386, Lag order = 12, p-value = 0.01
## alternative hypothesis: stationarykpss.test(df_dki_4$pm10, null = "Level")## Warning in kpss.test(df_dki_4$pm10, null = "Level"): p-value greater than
## printed p-value##
## KPSS Test for Level Stationarity
##
## data: df_dki_4$pm10
## KPSS Level = 0.26203, Truncation lag parameter = 8, p-value = 0.1#differensiasi data_so2 pada stasiun DKI4
df_dki_4_diff <- diff(df_dki_4$pm10)
#dropna dari data yang sudah di-differensiasi
df_dki_4_diff <- df_dki_4_diff[!is.na(df_dki_4_diff)]#plot data yang sudah di-differensiasi dan di-dropna
ggplot(data.frame(date = 1:length(df_dki_4_diff), value = df_dki_4_diff), aes(x = date, y = value)) +
geom_line(color = "blue") +
ggtitle("Stationary timeseries")+
theme(plot.title = element_text(hjust = 0.5))+
scale_x_continuous(name = "Hari",
breaks = seq(0, length(df_dki_4_diff), by = 365))+ #periode 365 hari
scale_y_continuous(name = "Nilai")+
theme(axis.text.x=element_text(angle=60,hjust=1))+
theme_minimal()
Berdasarkan hasil kedua uji ADF dan KPSS bisa disimpulkan nilai p-value < 0,05, sehingga bisa disimpulkan bahwa data deret waktu sudah stationer. Begitu juga dengan hasil visualiasi uji stationer bisa dilihat bahwa tidak terlihat tren apapun atau perubahan yang jelas dalam varians sehingga deret waktu sudah stationer.
i.Data Dekomposisi
decom_ts <- ts(data = Data.SPKU$pm10, start = c(2016,1), end = c(2021,12), frequency = 12)# Classical Decomposition
decom_ts %>% decompose(type = "multiplicative") %>%
autoplot() + xlab("Year") +
ggtitle("Multiplicative Decomposition of PM10")
decom_ts %>% decompose(type = "additive") %>%
autoplot() + xlab("Year") +
ggtitle("Additive Decomposition of PM10")
ts_decom <- decompose(decom_ts)ts_decom_table <- data.frame(seasonal = ts_decom$seasonal, trend = ts_decom$trend, random = ts_decom$random)
ts_decom_table <- na.omit(ts_decom_table)
descr(ts_decom_table)##
## seasonal
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -5.621 -4.183 1.150 0.000 3.071 4.662
##
## trend
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 52.08 54.27 55.71 58.87 62.33 74.54
##
## random
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -25.3042 -7.3708 0.2083 -0.4875 6.2604 27.2125head(ts_decom_table)## seasonal trend random
## 7 4.6625000 57.79167 3.5458333
## 8 -5.2375000 58.37500 11.8625000
## 9 0.4291667 58.33333 -15.7625000
## 10 -0.4625000 57.16667 -1.7041667
## 11 2.8041667 55.50000 -25.3041667
## 12 4.6208333 55.62500 0.7541667ts_decom$seasonal## Jan Feb Mar Apr May Jun
## 2016 3.8708333 -5.6208333 2.0375000 -3.8791667 -5.0958333 1.8708333
## 2017 3.8708333 -5.6208333 2.0375000 -3.8791667 -5.0958333 1.8708333
## 2018 3.8708333 -5.6208333 2.0375000 -3.8791667 -5.0958333 1.8708333
## 2019 3.8708333 -5.6208333 2.0375000 -3.8791667 -5.0958333 1.8708333
## 2020 3.8708333 -5.6208333 2.0375000 -3.8791667 -5.0958333 1.8708333
## 2021 3.8708333 -5.6208333 2.0375000 -3.8791667 -5.0958333 1.8708333
## Jul Aug Sep Oct Nov Dec
## 2016 4.6625000 -5.2375000 0.4291667 -0.4625000 2.8041667 4.6208333
## 2017 4.6625000 -5.2375000 0.4291667 -0.4625000 2.8041667 4.6208333
## 2018 4.6625000 -5.2375000 0.4291667 -0.4625000 2.8041667 4.6208333
## 2019 4.6625000 -5.2375000 0.4291667 -0.4625000 2.8041667 4.6208333
## 2020 4.6625000 -5.2375000 0.4291667 -0.4625000 2.8041667 4.6208333
## 2021 4.6625000 -5.2375000 0.4291667 -0.4625000 2.8041667 4.6208333plot(ts_decom$seasonal)
ts_decom$figure## [1] 3.8708333 -5.6208333 2.0375000 -3.8791667 -5.0958333 1.8708333
## [7] 4.6625000 -5.2375000 0.4291667 -0.4625000 2.8041667 4.6208333plot(ts_decom$figure,
type = 'b',
xlab = 'Month',
ylab = 'Seasonality Index',
col = 'blue',
las = 2
)
#adjustment decomposition data
ts_decom_adj <- decom_ts - ts_decom$seasonal
plot(ts_decom_adj)
ts_decom_adj## Jan Feb Mar Apr May Jun Jul
## 2016 55.12917 64.62083 55.96250 76.87917 65.09583 52.12917 61.33750
## 2017 70.12917 63.62083 55.96250 48.87917 53.09583 67.12917 35.33750
## 2018 46.12917 56.62083 54.96250 62.87917 64.09583 53.12917 54.33750
## 2019 41.12917 35.62083 55.96250 78.87917 66.09583 53.12917 41.33750
## 2020 55.12917 59.62083 69.96250 45.87917 42.09583 59.12917 94.33750
## 2021 78.12917 77.62083 58.96250 60.87917 73.09583 66.12917 89.33750
## Aug Sep Oct Nov Dec
## 2016 70.23750 42.57083 55.46250 30.19583 56.37917
## 2017 37.23750 60.57083 61.46250 61.19583 52.37917
## 2018 60.23750 53.57083 61.46250 57.19583 44.37917
## 2019 40.23750 57.57083 49.46250 65.19583 57.37917
## 2020 80.23750 74.57083 60.46250 74.19583 78.37917
## 2021 101.23750 76.57083 59.46250 52.19583 38.37917descr(ts_decom_adj)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 30.20 52.92 59.05 59.58 66.10 101.24str(ts_decom_adj)## Time-Series [1:72] from 2016 to 2022: 55.1 64.6 56 76.9 65.1 ...df_data <- as.data.frame(ts_decom_adj)
df_data## x
## 1 55.12917
## 2 64.62083
## 3 55.96250
## 4 76.87917
## 5 65.09583
## 6 52.12917
## 7 61.33750
## 8 70.23750
## 9 42.57083
## 10 55.46250
## 11 30.19583
## 12 56.37917
## 13 70.12917
## 14 63.62083
## 15 55.96250
## 16 48.87917
## 17 53.09583
## 18 67.12917
## 19 35.33750
## 20 37.23750
## 21 60.57083
## 22 61.46250
## 23 61.19583
## 24 52.37917
## 25 46.12917
## 26 56.62083
## 27 54.96250
## 28 62.87917
## 29 64.09583
## 30 53.12917
## 31 54.33750
## 32 60.23750
## 33 53.57083
## 34 61.46250
## 35 57.19583
## 36 44.37917
## 37 41.12917
## 38 35.62083
## 39 55.96250
## 40 78.87917
## 41 66.09583
## 42 53.12917
## 43 41.33750
## 44 40.23750
## 45 57.57083
## 46 49.46250
## 47 65.19583
## 48 57.37917
## 49 55.12917
## 50 59.62083
## 51 69.96250
## 52 45.87917
## 53 42.09583
## 54 59.12917
## 55 94.33750
## 56 80.23750
## 57 74.57083
## 58 60.46250
## 59 74.19583
## 60 78.37917
## 61 78.12917
## 62 77.62083
## 63 58.96250
## 64 60.87917
## 65 73.09583
## 66 66.12917
## 67 89.33750
## 68 101.23750
## 69 76.57083
## 70 59.46250
## 71 52.19583
## 72 38.37917# Konversi data menjadi data time series menggunakan data dekomposisi time series
dataset <- decom_ts
plot(dataset)
ggtsdisplay(dataset)
BoxCox.lambda(dataset)## [1] -0.626846# Membagi data menjadi data latih dan data uji
data_train_sarima <- head(dataset, 5*12) # ambil data 5 tahun 2016-2020
data_test_sarima <- tail(dataset, length(dataset)-length(data_train_sarima)) #ambil data 1 tahun terakhir
data_train_sarima %>%
decompose() %>%
autoplot()
plot(data_train_sarima)
length(data_train_sarima)## [1] 60length(data_test_sarima)## [1] 12ii. Mengidentifikasi Diferensi
a. Mengidentifikasi Diferensi musiman order 1
data_train_sarima_ds <- diff(data_train_sarima, differences = 1, lag = 12)
adf.test(data_train_sarima_ds)## Warning in adf.test(data_train_sarima_ds): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: data_train_sarima_ds
## Dickey-Fuller = -4.4509, Lag order = 3, p-value = 0.01
## alternative hypothesis: stationary#Dari hasil diatas bisa disimpulkan bahwa data belum stationer karena nilai p-value > 0,05 yaitu sebesar 0,4503.
b. Mengidentifikasi Diferensi non-musiman order 1
data_train_sarima_dss <- diff(data_train_sarima_ds, differences = 1)
adf.test(data_train_sarima_dss)## Warning in adf.test(data_train_sarima_dss): p-value smaller than printed
## p-value##
## Augmented Dickey-Fuller Test
##
## data: data_train_sarima_dss
## Dickey-Fuller = -7.217, Lag order = 3, p-value = 0.01
## alternative hypothesis: stationaryDari hasil diatas bisa disimpulkan bahwa data sudah stationer karena nilai p-value < 0,05 yaitu sebesar 0,01.
iii. Mengidentifikasi kemungkinan model yang tepat
par(mfrow = c(2,1))
acf(data_train_sarima_dss, lag.max = 36)
pacf(data_train_sarima_dss, lag.max = 36)
data_train_sarima_dss## Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2017 -16 1 -28 16 27 -41 -7 51 -12 25 -35
## 2018 -20 17 6 15 -3 -25 33 4 -30 7 -4 -4
## 2019 3 -16 22 15 -14 -2 -13 -7 24 -16 20 5
## 2020 1 10 -10 -47 9 30 47 -13 -23 -6 -2 12iv. Fit Model
Menentukan model prediksi yang terbaik yang dapat dilihat dari nilai performansi Akaike Information Criteria (AIC) dan nilai signifikan (p-value). Model yang lebih baik akan memiliki nilai AIC yang lebih rendah
a. Fit Model 1
# Fit Model 1
fitmodel1 <- Arima (data_train_sarima_dss,
order = c(2,2,0),
seasonal = c(0,0,1),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel1)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.89820 0.12759 -7.0395 1.929e-12 ***
## ar2 -0.49389 0.13572 -3.6390 0.0002736 ***
## sma1 -0.47240 0.22736 -2.0778 0.0377255 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel1)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,2,0)(0,0,1)[12]
## Q* = 23.753, df = 6, p-value = 0.0005798
##
## Model df: 3. Total lags used: 9ggtsdisplay(fitmodel1$residuals)
summary(fitmodel1)## Series: data_train_sarima_dss
## ARIMA(2,2,0)(0,0,1)[12]
##
## Coefficients:
## ar1 ar2 sma1
## -0.8982 -0.4939 -0.4724
## s.e. 0.1276 0.1357 0.2274
##
## sigma^2 = 1140: log likelihood = -222.69
## AIC=453.38 AICc=454.38 BIC=460.61
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -0.02632777 31.91648 24.53846 33.43776 245.6197 0.8597059
## ACF1
## Training set -0.1694099Box.test(residuals(fitmodel1), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel1)
## X-squared = 25.19, df = 12, p-value = 0.01395Berdasarkan hasil diatas bisa dilihat bahwa, semua nilai signifikan. Secara keseluruhan dari model sudah cukup signifikan dengan nilai p-value 0.0005798 dimana nilai signifikan < 0,05 dan nilai AIC = 453.4. Sekarang kita akan lakukan fit model yang kedua dengan tujuan untuk mendapatkan nilai yang lebih baik.
b. Fit Model 2
# Fit Model 2
fitmodel2 <- Arima (data_train_sarima_dss,
order = c(2,2,1),
seasonal = c(0,0,1),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel2)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.585346 0.141351 -4.1411 3.457e-05 ***
## ar2 -0.351791 0.143594 -2.4499 0.01429 *
## ma1 -1.000000 0.071985 -13.8917 < 2.2e-16 ***
## sma1 -0.550627 0.243213 -2.2640 0.02358 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel2)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,2,1)(0,0,1)[12]
## Q* = 20.947, df = 5, p-value = 0.0008291
##
## Model df: 4. Total lags used: 9ggtsdisplay(fitmodel2$residuals)
summary(fitmodel2)## Series: data_train_sarima_dss
## ARIMA(2,2,1)(0,0,1)[12]
##
## Coefficients:
## ar1 ar2 ma1 sma1
## -0.5853 -0.3518 -1.000 -0.5506
## s.e. 0.1414 0.1436 0.072 0.2432
##
## sigma^2 = 584.3: log likelihood = -210.43
## AIC=430.87 AICc=432.41 BIC=439.9
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set -1.209342 22.57722 17.44996 64.85305 156.9881 0.61136 -0.1186716Box.test(residuals(fitmodel2), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel2)
## X-squared = 21.999, df = 12, p-value = 0.03753Berdasarkan fit model yang ke 2 didapatkan bahwa secara keseluruhan model sudah signitifan dengan nilai p-value 0.0008291 dimana nilai signifikan < 0,05 dan nilai AIC 430.87. Kita akan lanjutkan melakukan fit model yang ke 3.
c. Fit Model 3
# Fit Model 3
fitmodel3 <- Arima (data_train_sarima_dss,
order = c(2,2,1),
seasonal = c(0,1,1),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel3)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.56910 0.15785 -3.6054 0.0003117 ***
## ar2 -0.46823 0.15019 -3.1175 0.0018237 **
## ma1 -0.99451 0.10550 -9.4269 < 2.2e-16 ***
## sma1 -0.59703 0.32676 -1.8271 0.0676855 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel3)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,2,1)(0,1,1)[12]
## Q* = 19.644, df = 5, p-value = 0.001457
##
## Model df: 4. Total lags used: 9ggtsdisplay(fitmodel3$residuals)
summary(fitmodel3)## Series: data_train_sarima_dss
## ARIMA(2,2,1)(0,1,1)[12]
##
## Coefficients:
## ar1 ar2 ma1 sma1
## -0.5691 -0.4682 -0.9945 -0.5970
## s.e. 0.1578 0.1502 0.1055 0.3268
##
## sigma^2 = 1323: log likelihood = -171.43
## AIC=352.86 AICc=355.09 BIC=360.35
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 3.259372 28.57113 18.60727 97.56923 197.9708 0.6519062 -0.03487201Box.test(residuals(fitmodel3), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel3)
## X-squared = 21.385, df = 12, p-value = 0.04502Berdasarkan fit model yang ke 3 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.001457 dimana nilai signifikan < 0,05 dan nilai AIC = 352,86.
d. Menentukan model terbaik dengan auto.arima
# Menentukan model terbaik
modelautoarima_pm10 <- auto.arima(
data_train_sarima_dss,
stepwise = FALSE,
approximation = FALSE,
trace = TRUE)##
## ARIMA(0,0,0) with zero mean : 422.6082
## ARIMA(0,0,0) with non-zero mean : 424.7903
## ARIMA(0,0,0)(0,0,1)[12] with zero mean : 412.7101
## ARIMA(0,0,0)(0,0,1)[12] with non-zero mean : 414.905
## ARIMA(0,0,0)(1,0,0)[12] with zero mean : 410.0435
## ARIMA(0,0,0)(1,0,0)[12] with non-zero mean : 412.2421
## ARIMA(0,0,0)(1,0,1)[12] with zero mean : 412.0133
## ARIMA(0,0,0)(1,0,1)[12] with non-zero mean : 414.292
## ARIMA(0,0,1) with zero mean : 414.4957
## ARIMA(0,0,1) with non-zero mean : Inf
## ARIMA(0,0,1)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,1)(1,0,0)[12] with zero mean : 404.222
## ARIMA(0,0,1)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(0,0,1)(1,0,1)[12] with zero mean : 405.288
## ARIMA(0,0,1)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,2) with zero mean : 408.403
## ARIMA(0,0,2) with non-zero mean : Inf
## ARIMA(0,0,2)(0,0,1)[12] with zero mean : 401.423
## ARIMA(0,0,2)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,2)(1,0,0)[12] with zero mean : 398.5166
## ARIMA(0,0,2)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(0,0,2)(1,0,1)[12] with zero mean : 400.9789
## ARIMA(0,0,2)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,3) with zero mean : 410.1729
## ARIMA(0,0,3) with non-zero mean : Inf
## ARIMA(0,0,3)(0,0,1)[12] with zero mean : 403.9006
## ARIMA(0,0,3)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,3)(1,0,0)[12] with zero mean : 401.026
## ARIMA(0,0,3)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(0,0,3)(1,0,1)[12] with zero mean : 403.6138
## ARIMA(0,0,3)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,4) with zero mean : 411.4612
## ARIMA(0,0,4) with non-zero mean : Inf
## ARIMA(0,0,4)(0,0,1)[12] with zero mean : 402.8618
## ARIMA(0,0,4)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,4)(1,0,0)[12] with zero mean : 397.9085
## ARIMA(0,0,4)(1,0,0)[12] with non-zero mean : 397.9672
## ARIMA(0,0,5) with zero mean : 409.6611
## ARIMA(0,0,5) with non-zero mean : 411.9211
## ARIMA(1,0,0) with zero mean : 423.8771
## ARIMA(1,0,0) with non-zero mean : 426.1599
## ARIMA(1,0,0)(0,0,1)[12] with zero mean : Inf
## ARIMA(1,0,0)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,0)(1,0,0)[12] with zero mean : 411.9764
## ARIMA(1,0,0)(1,0,0)[12] with non-zero mean : 414.2737
## ARIMA(1,0,0)(1,0,1)[12] with zero mean : 413.7639
## ARIMA(1,0,0)(1,0,1)[12] with non-zero mean : 416.1115
## ARIMA(1,0,1) with zero mean : 411.8489
## ARIMA(1,0,1) with non-zero mean : Inf
## ARIMA(1,0,1)(0,0,1)[12] with zero mean : 403.1454
## ARIMA(1,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,1)(1,0,0)[12] with zero mean : 401.5911
## ARIMA(1,0,1)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(1,0,1)(1,0,1)[12] with zero mean : 403.6131
## ARIMA(1,0,1)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,2) with zero mean : 410.3209
## ARIMA(1,0,2) with non-zero mean : Inf
## ARIMA(1,0,2)(0,0,1)[12] with zero mean : 403.9222
## ARIMA(1,0,2)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,2)(1,0,0)[12] with zero mean : 401.0272
## ARIMA(1,0,2)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(1,0,2)(1,0,1)[12] with zero mean : Inf
## ARIMA(1,0,2)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,3) with zero mean : 410.662
## ARIMA(1,0,3) with non-zero mean : Inf
## ARIMA(1,0,3)(0,0,1)[12] with zero mean : Inf
## ARIMA(1,0,3)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,3)(1,0,0)[12] with zero mean : Inf
## ARIMA(1,0,3)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(1,0,4) with zero mean : 412.7671
## ARIMA(1,0,4) with non-zero mean : Inf
## ARIMA(2,0,0) with zero mean : 420.1637
## ARIMA(2,0,0) with non-zero mean : 422.5503
## ARIMA(2,0,0)(0,0,1)[12] with zero mean : 411.6442
## ARIMA(2,0,0)(0,0,1)[12] with non-zero mean : 413.9874
## ARIMA(2,0,0)(1,0,0)[12] with zero mean : 408.8597
## ARIMA(2,0,0)(1,0,0)[12] with non-zero mean : 411.2481
## ARIMA(2,0,0)(1,0,1)[12] with zero mean : 411.3005
## ARIMA(2,0,0)(1,0,1)[12] with non-zero mean : 413.7942
## ARIMA(2,0,1) with zero mean : 410.1439
## ARIMA(2,0,1) with non-zero mean : Inf
## ARIMA(2,0,1)(0,0,1)[12] with zero mean : 401.9393
## ARIMA(2,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(2,0,1)(1,0,0)[12] with zero mean : 397.3408
## ARIMA(2,0,1)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(2,0,1)(1,0,1)[12] with zero mean : 399.9678
## ARIMA(2,0,1)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(2,0,2) with zero mean : 412.7283
## ARIMA(2,0,2) with non-zero mean : Inf
## ARIMA(2,0,2)(0,0,1)[12] with zero mean : Inf
## ARIMA(2,0,2)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(2,0,2)(1,0,0)[12] with zero mean : 396.3055
## ARIMA(2,0,2)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(2,0,3) with zero mean : 414.0795
## ARIMA(2,0,3) with non-zero mean : Inf
## ARIMA(3,0,0) with zero mean : 420.6588
## ARIMA(3,0,0) with non-zero mean : 423.1411
## ARIMA(3,0,0)(0,0,1)[12] with zero mean : Inf
## ARIMA(3,0,0)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(3,0,0)(1,0,0)[12] with zero mean : 403.5244
## ARIMA(3,0,0)(1,0,0)[12] with non-zero mean : 405.7155
## ARIMA(3,0,0)(1,0,1)[12] with zero mean : 404.781
## ARIMA(3,0,0)(1,0,1)[12] with non-zero mean : 406.6287
## ARIMA(3,0,1) with zero mean : 412.2822
## ARIMA(3,0,1) with non-zero mean : Inf
## ARIMA(3,0,1)(0,0,1)[12] with zero mean : 402.9204
## ARIMA(3,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(3,0,1)(1,0,0)[12] with zero mean : 397.7557
## ARIMA(3,0,1)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(3,0,2) with zero mean : 414.8562
## ARIMA(3,0,2) with non-zero mean : Inf
## ARIMA(4,0,0) with zero mean : 410.6725
## ARIMA(4,0,0) with non-zero mean : 413.0451
## ARIMA(4,0,0)(0,0,1)[12] with zero mean : 405.1537
## ARIMA(4,0,0)(0,0,1)[12] with non-zero mean : 406.9253
## ARIMA(4,0,0)(1,0,0)[12] with zero mean : 401.4077
## ARIMA(4,0,0)(1,0,0)[12] with non-zero mean : 403.4552
## ARIMA(4,0,1) with zero mean : 412.1209
## ARIMA(4,0,1) with non-zero mean : 413.2104
## ARIMA(5,0,0) with zero mean : 413.309
## ARIMA(5,0,0) with non-zero mean : 415.8131
##
##
##
## Best model: ARIMA(2,0,2)(1,0,0)[12] with zero meanmodelautoarima_pm10## Series: data_train_sarima_dss
## ARIMA(2,0,2)(1,0,0)[12] with zero mean
##
## Coefficients:
## ar1 ar2 ma1 ma2 sar1
## 1.0242 -0.5768 -1.6626 0.7982 -0.6385
## s.e. 0.2733 0.1546 0.4364 0.3682 0.1265
##
## sigma^2 = 185.2: log likelihood = -191.1
## AIC=394.21 AICc=396.31 BIC=405.31Box.test(residuals(modelautoarima_pm10), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(modelautoarima_pm10)
## X-squared = 6.3132, df = 12, p-value = 0.8995e. Fit Model 4
# Fit Model 4
fitmodel4 <- Arima (data_train_sarima_dss,
order = c(2,1,1),
seasonal = c(2,1,0),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel4)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.86886 0.20765 -4.1843 2.86e-05 ***
## ar2 -0.54219 0.15438 -3.5121 0.0004445 ***
## ma1 0.64062 0.23621 2.7121 0.0066863 **
## sar1 -0.97259 0.28860 -3.3700 0.0007517 ***
## sar2 -0.26083 0.26405 -0.9878 0.3232517
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel4)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,1,1)(2,1,0)[12]
## Q* = 13.023, df = 4, p-value = 0.01116
##
## Model df: 5. Total lags used: 9ggtsdisplay(fitmodel4$residuals)
summary(fitmodel4)## Series: data_train_sarima_dss
## ARIMA(2,1,1)(2,1,0)[12]
##
## Coefficients:
## ar1 ar2 ma1 sar1 sar2
## -0.8689 -0.5422 0.6406 -0.9726 -0.2608
## s.e. 0.2076 0.1544 0.2362 0.2886 0.2641
##
## sigma^2 = 864: log likelihood = -167.14
## AIC=346.28 AICc=349.4 BIC=355.44
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -0.6798028 23.08848 16.51712 44.02543 212.1902 0.5786779
## ACF1
## Training set -0.08432469Box.test(residuals(fitmodel4), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel4)
## X-squared = 14.037, df = 12, p-value = 0.2984Berdasarkan fit model yang ke 4 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.01116 dimana nilai signifikan < 0,05 dan nilai AIC = 346.28.
f. Fit Model 5
# Fit Model 5
fitmodel5 <- Arima (data_train_sarima_dss,
order = c(2,0,1),
seasonal = c(2,1,0),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel5)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 0.525532 0.152693 3.4418 0.0005780 ***
## ar2 -0.543956 0.145341 -3.7426 0.0001821 ***
## ma1 -0.999929 0.142701 -7.0072 2.432e-12 ***
## sar1 -1.291136 0.201142 -6.4190 1.372e-10 ***
## sar2 -0.508354 0.190437 -2.6694 0.0075984 **
## drift 0.035659 0.021500 1.6585 0.0972078 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel5)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,0,1)(2,1,0)[12] with drift
## Q* = 9.586, df = 4, p-value = 0.04801
##
## Model df: 5. Total lags used: 9ggtsdisplay(fitmodel5$residuals)
summary(fitmodel5)## Series: data_train_sarima_dss
## ARIMA(2,0,1)(2,1,0)[12] with drift
##
## Coefficients:
## ar1 ar2 ma1 sar1 sar2 drift
## 0.5255 -0.5440 -0.9999 -1.2911 -0.5084 0.0357
## s.e. 0.1527 0.1453 0.1427 0.2011 0.1904 0.0215
##
## sigma^2 = 219.7: log likelihood = -155.08
## AIC=324.17 AICc=328.31 BIC=335.05
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 0.02863318 11.64419 8.217975 56.41629 94.66392 0.287917 -0.0536813Box.test(residuals(fitmodel5), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel5)
## X-squared = 11.875, df = 12, p-value = 0.4558Berdasarkan fit model yang ke 5 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.04801 dimana nilai signifikan < 0,05 dan nilai AIC = 324.17.
hasil_df <- data.frame(
id = c(1:6),
Model = c("Model1(2,2,0)(0,0,1)", "Model2(2,2,1)(0,0,1)", "Model3(2,2,1)(0,1,1)", "Model4(2,1,1)(2,1,0)", "Model5(2,0,1)(2,1,0)","AutoArima(2,0,2)(1,0,0)"),
AIC = c(fitmodel1$aic, fitmodel2$aic, fitmodel3$aic, fitmodel4$aic, fitmodel5$aic, modelautoarima_pm10$aic),
BIC = c(fitmodel1$bic, fitmodel2$bic, fitmodel3$bic, fitmodel4$bic, fitmodel4$bic, modelautoarima_pm10$bic),
stringsAsFactors = FALSE
)
hasil_df## id Model AIC BIC
## 1 1 Model1(2,2,0)(0,0,1) 453.3803 460.6070
## 2 2 Model2(2,2,1)(0,0,1) 430.8677 439.9010
## 3 3 Model3(2,2,1)(0,1,1) 352.8649 360.3474
## 4 4 Model4(2,1,1)(2,1,0) 346.2841 355.4423
## 5 5 Model5(2,0,1)(2,1,0) 324.1661 355.4423
## 6 6 AutoArima(2,0,2)(1,0,0) 394.2055 405.3064Berdasarkan modelautoarima didapatkan model (2,0,2)(1,0,0) dengan nilai AIC = 394.21. Sehingga dapat disimpulkan bahwa performa fitmodel1 dengan nilai AIC = 453.38, fitmodel2 dengan nilai AIC = 430.87, dan fitmodel3 dengan nilai AIC = 352.86, dan fitmodel4 dengan nilai AIC 346.28, dan fitmodel5 dengan nilai AIC 324.17. Berdasarkan keenam model tersebut, maka perfomansi model fitmodel5 yang terbaik yaitu model (2,1,1)(2,1,0) dengan nilai AIC sebesar 346.28 dan nilai p-value untuk keseluruhan signitifkan.
v. Forecasting dengan data latih
# Menggunakan fitmodel3
fcast <- forecast(fitmodel5, h=12)
fcast## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## Jan 2021 -3.2209641 -22.83627 16.3943421 -33.219986 26.77806
## Feb 2021 -21.7053384 -42.88822 -0.5224611 -54.101754 10.69108
## Mar 2021 13.9068342 -11.99573 39.8093941 -25.707713 53.52138
## Apr 2021 37.5068705 11.37875 63.6349909 -2.452641 77.46638
## May 2021 -6.4965536 -33.37031 20.3771983 -47.596410 34.60330
## Jun 2021 -19.6890074 -47.05858 7.6805636 -61.547154 22.16914
## Jul 2021 -8.8015313 -36.17920 18.5761413 -50.672068 33.06901
## Aug 2021 -1.1496477 -28.71224 26.4129420 -43.302991 41.00370
## Sep 2021 11.6044076 -15.98851 39.1973288 -30.595324 53.80414
## Oct 2021 -4.4684787 -32.08138 23.1444259 -46.698772 37.76181
## Nov 2021 16.1236689 -11.51789 43.7652304 -26.150452 58.39779
## Dec 2021 -0.8808157 -28.52248 26.7608536 -43.155101 41.39347autoplot(fcast)
# membuat prediksi untuk data uji dengan menggunakan model terbaik
predictSarima <- predict(fcast, data_test_sarima)
autoplot(predictSarima)
# visualisasi hasil forecast dari model multiplicative
data_test_sarima %>%
autoplot()+
autolayer(modelautoarima_pm10$fitted, series = "Auto-Arima(2,0,1)(0,0,1)")+
autolayer(data_test_sarima, series = "data test") +
autolayer(fitmodel1$fitted, series = "Model-1(2,2,0)(0,0,1)")+
autolayer(fitmodel2$fitted, series = "Model-2(2,2,1)(0,0,1)")+
autolayer(fitmodel3$fitted, series = "Model-3(2,2,1)(0,1,1)")+
autolayer(fitmodel4$fitted, series = "Model-4(2,1,1)(2,1,0)")+
autolayer(fitmodel5$fitted, series = "Model-5(2,0,1)(2,1,0)")+
autolayer(predictSarima$mean, series = "forecast")
vi. Evaluasi Model
# Mean squared error (MSE)
MSESarima <- mean((data_test_sarima - predictSarima$mean)^2)
MSESarima## [1] 5302.34# Root mean squared error (RMSE)
RMSESarima <- sqrt(MSESarima)
RMSESarima## [1] 72.81717# Mean absolute error (MAE)
MAESarima <- mean(abs(data_test_sarima - predictSarima$mean))
MAESarima## [1] 68.27255# Mean absolute percentage error (MAPE)
MAPESarima <- mean(abs(data_test_sarima - predictSarima$mean) / data_test_sarima)
MAPESarima## [1] 0.9664829b. Model Prediksi SO2
Pengujian akan dilakukan pada data df_dki_4 dengan menggunakan uji Augmented Dickey-Fuller (ADF) dan Kwiatkowski Phillips Schmidt Shin (KPSS). ADF Test Test ini digunakan untuk memahami apakah deret tersebut stationer atau tidak. Ada 2 hipotesis yang bisa dikembangkan. H0: deret waktu tidak stationer dan memiliki beberapa struktur tergantung waktu H1: deret waktu stationer dan tidak memiliki beberapa struktur tergantung waktu dengan nilai p-value < 0,05 sehingga HO ditolak, H1 diterima
KPSS test H0 dan H1 untuk uji KPSS berlawanan dengan uji ADF, sehingga hipotesis dalam KPSS adalah H0: deret tren stationer H1: deret tren tidak stationer dengan nilai p-value < 0,05 sehingga HO diterima, H1 ditolak
adf.test(df_dki_4$so2)## Warning in adf.test(df_dki_4$so2): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: df_dki_4$so2
## Dickey-Fuller = -4.2526, Lag order = 12, p-value = 0.01
## alternative hypothesis: stationarykpss.test(df_dki_4$so2, null = "Level")## Warning in kpss.test(df_dki_4$so2, null = "Level"): p-value smaller than
## printed p-value##
## KPSS Test for Level Stationarity
##
## data: df_dki_4$so2
## KPSS Level = 2.361, Truncation lag parameter = 8, p-value = 0.01#differensiasi data_so2 pada stasiun DKI4
df_dki_4_diff_so2 <- diff(df_dki_4$so2)
#dropna dari data yang sudah di-differensiasi
df_dki_4_diff_so2 <- df_dki_4_diff_so2[!is.na(df_dki_4_diff_so2)]#plot data yang sudah di-differensiasi dan di-dropna
ggplot(data.frame(date = 1:length(df_dki_4_diff_so2), value = df_dki_4_diff_so2), aes(x = date, y = value)) +
geom_line(color = "blue") +
ggtitle("Stationary timeseries")+
theme(plot.title = element_text(hjust = 0.5))+
scale_x_continuous(name = "Hari",
breaks = seq(0, length(df_dki_4_diff_so2), by = 365))+ #periode 365 hari
scale_y_continuous(name = "Nilai")+
theme(axis.text.x=element_text(angle=60,hjust=1))+
theme_minimal()
Berdasarkan hasil kedua uji ADF dan KPSS bisa disimpulkan nilai p-value < 0,05, sehingga bisa disimpulkan bahwa data deret waktu sudah stationer. Begitu juga dengan hasil visualiasi uji stationer bisa dilihat bahwa tidak terlihat tren apapun atau perubahan yang jelas dalam varians sehingga deret waktu sudah stationer.
i. Data Dekomposisi
decom_ts_so2 <- ts(data = Data.SPKU$so2, start = c(2016,1), end = c(2021,12), frequency = 12)# Classical Decomposition
decom_ts_so2 %>% decompose(type = "multiplicative") %>%
autoplot() + xlab("Year") +
ggtitle("Multiplicative Decomposition of SO2")
decom_ts_so2 %>% decompose(type = "additive") %>%
autoplot() + xlab("Year") +
ggtitle("Additive Decomposition of SO2")
ts_decom_so2 <- decompose(decom_ts_so2)ts_decom_table_so2 <- data.frame(seasonal = ts_decom_so2$seasonal, trend = ts_decom_so2$trend, random = ts_decom_so2$random)
ts_decom_table_so2 <- na.omit(ts_decom_table_so2)
descr(ts_decom_table_so2)##
## seasonal
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -3.0986 -1.8382 -0.6028 0.0000 1.2493 4.5931
##
## trend
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 7.125 18.260 26.292 26.068 33.823 42.750
##
## random
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -10.909722 -3.032639 0.436111 -0.001389 3.759028 10.206944head(ts_decom_table_so2)## seasonal trend random
## 7 -0.06527778 41.66667 6.3986111
## 8 -2.54027778 42.66667 0.8736111
## 9 1.18472222 42.75000 -3.9347222
## 10 0.73472222 42.75000 -2.4847222
## 11 -3.09861111 42.54167 0.5569444
## 12 -1.14027778 41.37500 1.7652778ts_decom_so2$seasonal## Jan Feb Mar Apr May Jun
## 2016 -2.38194444 -1.65694444 4.59305556 1.44305556 4.51805556 -1.59027778
## 2017 -2.38194444 -1.65694444 4.59305556 1.44305556 4.51805556 -1.59027778
## 2018 -2.38194444 -1.65694444 4.59305556 1.44305556 4.51805556 -1.59027778
## 2019 -2.38194444 -1.65694444 4.59305556 1.44305556 4.51805556 -1.59027778
## 2020 -2.38194444 -1.65694444 4.59305556 1.44305556 4.51805556 -1.59027778
## 2021 -2.38194444 -1.65694444 4.59305556 1.44305556 4.51805556 -1.59027778
## Jul Aug Sep Oct Nov Dec
## 2016 -0.06527778 -2.54027778 1.18472222 0.73472222 -3.09861111 -1.14027778
## 2017 -0.06527778 -2.54027778 1.18472222 0.73472222 -3.09861111 -1.14027778
## 2018 -0.06527778 -2.54027778 1.18472222 0.73472222 -3.09861111 -1.14027778
## 2019 -0.06527778 -2.54027778 1.18472222 0.73472222 -3.09861111 -1.14027778
## 2020 -0.06527778 -2.54027778 1.18472222 0.73472222 -3.09861111 -1.14027778
## 2021 -0.06527778 -2.54027778 1.18472222 0.73472222 -3.09861111 -1.14027778plot(ts_decom_so2$seasonal)
ts_decom_so2$figure## [1] -2.38194444 -1.65694444 4.59305556 1.44305556 4.51805556 -1.59027778
## [7] -0.06527778 -2.54027778 1.18472222 0.73472222 -3.09861111 -1.14027778plot(ts_decom_so2$figure,
type = 'b',
xlab = 'Month',
ylab = 'Seasonality Index',
col = 'blue',
las = 2
)
#adjustment decomposition data
ts_decom_adj_so2 <- decom_ts_so2 - ts_decom_so2$seasonal
plot(ts_decom_adj_so2)
ts_decom_adj_so2## Jan Feb Mar Apr May Jun Jul
## 2016 21.381944 43.656944 37.406944 42.556944 40.481944 45.590278 48.065278
## 2017 45.381944 43.656944 39.406944 40.556944 37.481944 20.590278 20.065278
## 2018 24.381944 24.656944 27.406944 22.556944 23.481944 27.590278 27.065278
## 2019 3.381944 6.656944 5.406944 2.556944 7.481944 5.590278 5.065278
## 2020 19.381944 17.656944 27.406944 30.556944 28.481944 34.590278 33.065278
## 2021 37.381944 36.656944 29.406944 32.556944 30.481944 36.590278 38.065278
## Aug Sep Oct Nov Dec
## 2016 43.540278 38.815278 40.265278 43.098611 43.140278
## 2017 20.540278 25.815278 20.265278 27.098611 31.140278
## 2018 29.540278 21.815278 23.265278 5.098611 5.140278
## 2019 4.540278 14.815278 16.265278 20.098611 17.140278
## 2020 35.540278 31.815278 32.265278 36.098611 34.140278
## 2021 38.540278 37.815278 35.265278 15.098611 12.140278descr(ts_decom_adj_so2)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.557 20.090 28.944 27.389 37.426 48.065str(ts_decom_adj_so2)## Time-Series [1:72] from 2016 to 2022: 21.4 43.7 37.4 42.6 40.5 ...df_data_so2 <- as.data.frame(ts_decom_adj_so2)
df_data_so2## x
## 1 21.381944
## 2 43.656944
## 3 37.406944
## 4 42.556944
## 5 40.481944
## 6 45.590278
## 7 48.065278
## 8 43.540278
## 9 38.815278
## 10 40.265278
## 11 43.098611
## 12 43.140278
## 13 45.381944
## 14 43.656944
## 15 39.406944
## 16 40.556944
## 17 37.481944
## 18 20.590278
## 19 20.065278
## 20 20.540278
## 21 25.815278
## 22 20.265278
## 23 27.098611
## 24 31.140278
## 25 24.381944
## 26 24.656944
## 27 27.406944
## 28 22.556944
## 29 23.481944
## 30 27.590278
## 31 27.065278
## 32 29.540278
## 33 21.815278
## 34 23.265278
## 35 5.098611
## 36 5.140278
## 37 3.381944
## 38 6.656944
## 39 5.406944
## 40 2.556944
## 41 7.481944
## 42 5.590278
## 43 5.065278
## 44 4.540278
## 45 14.815278
## 46 16.265278
## 47 20.098611
## 48 17.140278
## 49 19.381944
## 50 17.656944
## 51 27.406944
## 52 30.556944
## 53 28.481944
## 54 34.590278
## 55 33.065278
## 56 35.540278
## 57 31.815278
## 58 32.265278
## 59 36.098611
## 60 34.140278
## 61 37.381944
## 62 36.656944
## 63 29.406944
## 64 32.556944
## 65 30.481944
## 66 36.590278
## 67 38.065278
## 68 38.540278
## 69 37.815278
## 70 35.265278
## 71 15.098611
## 72 12.140278# Konversi data menjadi data time series menggunakan data dekomposisi time series
dataset_so2 <- decom_ts_so2
plot(dataset_so2)
ggtsdisplay(dataset_so2)
BoxCox.lambda(dataset_so2)## [1] 0.778712# Membagi data menjadi data latih dan data uji
data_train_sarima_so2 <- head(dataset_so2, 5*12) # ambil data 5 tahun 2016-2020
data_test_sarima_so2 <- tail(dataset_so2, length(dataset_so2)-length(data_train_sarima_so2)) #ambil data 1 tahun terakhir
data_train_sarima_so2 %>%
decompose() %>%
autoplot()
plot(data_train_sarima_so2)
length(data_train_sarima_so2)## [1] 60length(data_test_sarima_so2)## [1] 12ii. Mengidentifikasi Diferensi
a. Mengidentifikasi Diferensi musiman order 1
data_train_sarima_ds_so2 <- diff(data_train_sarima_so2, differences = 1, lag = 12)
adf.test(data_train_sarima_ds_so2)##
## Augmented Dickey-Fuller Test
##
## data: data_train_sarima_ds_so2
## Dickey-Fuller = -2.5915, Lag order = 3, p-value = 0.3379
## alternative hypothesis: stationaryDari hasil diatas bisa disimpulkan bahwa data belum stationer karena nilai p-value > 0,05 yaitu sebesar 0,3379.
b. Mengidentifikasi Diferensi non-musiman order 1
data_train_sarima_dss_so2 <- diff(data_train_sarima_ds_so2, differences = 1)
adf.test(data_train_sarima_dss_so2)##
## Augmented Dickey-Fuller Test
##
## data: data_train_sarima_dss_so2
## Dickey-Fuller = -2.5717, Lag order = 3, p-value = 0.3462
## alternative hypothesis: stationaryDari hasil diatas juga bisa disimpulkan bahwa data masih belum stationer karena nilai p-value < 0,05 yaitu sebesar 0,3462.
c. Mengidentifikasi Diferensi non-musiman order 2
data_train_sarima_dss2_so2 <- diff(data_train_sarima_ds_so2, differences = 2)
adf.test(data_train_sarima_dss2_so2)## Warning in adf.test(data_train_sarima_dss2_so2): p-value smaller than printed
## p-value##
## Augmented Dickey-Fuller Test
##
## data: data_train_sarima_dss2_so2
## Dickey-Fuller = -4.6512, Lag order = 3, p-value = 0.01
## alternative hypothesis: stationaryDari hasil diatas bisa disimpulkan bahwa data sudah stationer karena nilai p-value < 0,05 yaitu sebesar 0,01.
iii. Mengidentifikasi kemungkinan model yang tepat
par(mfrow = c(2,1))
acf(data_train_sarima_dss2_so2, lag.max = 36)
pacf(data_train_sarima_dss2_so2, lag.max = 36)
data_train_sarima_dss2_so2## Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2017 26 -6 3 -21 19 8 5 -17 11 0
## 2018 -13 11 5 -13 10 17 -21 2 -15 20 -32 21
## 2019 9 -2 -7 6 2 -10 6 -3 21 -18 22 -25
## 2020 7 -9 16 -5 -13 15 -9 4 -17 13 1 1iv. Fit Model
Menentukan model prediksi yang terbaik yang dapat dilihat dari nilai performansi Akaike Information Criteria (AIC) dan nilai signifikan (p-value). Model yang lebih baik akan memiliki nilai AIC yang lebih rendah
a. Fit Model 1
# Fit Model 1
fitmodel1_so2 <- Arima (data_train_sarima_dss2_so2,
order = c(2,2,0),
seasonal = c(0,0,1),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel1_so2)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -1.27831 0.13241 -9.6539 < 2.2e-16 ***
## ar2 -0.56043 0.13282 -4.2195 2.448e-05 ***
## sma1 -0.99995 0.32142 -3.1110 0.001864 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel1_so2)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,2,0)(0,0,1)[12]
## Q* = 25.03, df = 6, p-value = 0.0003372
##
## Model df: 3. Total lags used: 9ggtsdisplay(fitmodel1_so2$residuals)
summary(fitmodel1_so2)## Series: data_train_sarima_dss2_so2
## ARIMA(2,2,0)(0,0,1)[12]
##
## Coefficients:
## ar1 ar2 sma1
## -1.2783 -0.5604 -1.0000
## s.e. 0.1324 0.1328 0.3214
##
## sigma^2 = 226.3: log likelihood = -190.25
## AIC=388.51 AICc=389.54 BIC=395.65
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 1.228845 14.20261 11.59047 Inf Inf 0.5131199 -0.2472438Box.test(residuals(fitmodel1_so2), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel1_so2)
## X-squared = 29.703, df = 12, p-value = 0.003094Berdasarkan hasil diatas bisa dilihat bahwa, semua nilai signifikan. Secara keseluruhan dari model sudah cukup signifikan dengan nilai p-value 0.0003372 dimana nilai signifikan < 0,05 dan nilai AIC = 388.51. Sekarang kita akan lakukan fit model yang kedua dengan tujuan untuk mendapatkan nilai yang lebih baik.
b. Fit Model 2
# Fit Model 2
fitmodel2_so2 <- Arima (data_train_sarima_dss2_so2,
order = c(2,2,1),
seasonal = c(0,0,1),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel2_so2)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -1.097089 0.143722 -7.6334 2.286e-14 ***
## ar2 -0.442428 0.142275 -3.1097 0.001873 **
## ma1 -0.999997 0.082113 -12.1783 < 2.2e-16 ***
## sma1 -0.999999 0.357136 -2.8000 0.005109 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel2_so2)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,2,1)(0,0,1)[12]
## Q* = 12.281, df = 5, p-value = 0.03113
##
## Model df: 4. Total lags used: 9ggtsdisplay(fitmodel2_so2$residuals)
summary(fitmodel2_so2)## Series: data_train_sarima_dss2_so2
## ARIMA(2,2,1)(0,0,1)[12]
##
## Coefficients:
## ar1 ar2 ma1 sma1
## -1.0971 -0.4424 -1.0000 -1.0000
## s.e. 0.1437 0.1423 0.0821 0.3571
##
## sigma^2 = 106.3: log likelihood = -176.18
## AIC=362.36 AICc=363.93 BIC=371.28
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 1.679021 9.61404 7.514711 Inf Inf 0.3326825 -0.1160142Box.test(residuals(fitmodel2_so2), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel2_so2)
## X-squared = 15.796, df = 12, p-value = 0.2008Berdasarkan fit model yang ke 2 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.03113 dimana nilai signifikan < 0,05 dan nilai AIC 362.36. Kita akan lanjutkan melakukan fit model yang ke 3.
c. Fit Model 3
# Fit Model 3
fitmodel3_so2 <- Arima (data_train_sarima_dss2_so2,
order = c(2,2,1),
seasonal = c(0,1,1),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel3_so2)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -1.00143 0.16597 -6.0337 1.602e-09 ***
## ar2 -0.33560 0.16392 -2.0473 0.040624 *
## ma1 -0.99439 0.10651 -9.3362 < 2.2e-16 ***
## sma1 -0.93866 0.32053 -2.9284 0.003407 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel3_so2)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,2,1)(0,1,1)[12]
## Q* = 20.602, df = 5, p-value = 0.0009631
##
## Model df: 4. Total lags used: 9ggtsdisplay(fitmodel3_so2$residuals)
summary(fitmodel3_so2)## Series: data_train_sarima_dss2_so2
## ARIMA(2,2,1)(0,1,1)[12]
##
## Coefficients:
## ar1 ar2 ma1 sma1
## -1.0014 -0.3356 -0.9944 -0.9387
## s.e. 0.1660 0.1639 0.1065 0.3205
##
## sigma^2 = 372.5: log likelihood = -150.63
## AIC=311.27 AICc=313.57 BIC=318.59
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set -1.551791 15.05785 9.760913 Inf Inf 0.4321237 -0.1435246Box.test(residuals(fitmodel3_so2), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel3_so2)
## X-squared = 26.179, df = 12, p-value = 0.01012Berdasarkan fit model yang ke 3 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.0009631 dimana nilai signifikan < 0,05 dan nilai AIC = 311.27.
d. Menentukan model terbaik dengan auto.arima
# Menentukan model terbaik
modelautoarima_so2 <- auto.arima(
data_train_sarima_dss2_so2,
stepwise = FALSE,
approximation = FALSE,
trace = TRUE)##
## ARIMA(0,0,0) with zero mean : 375.2681
## ARIMA(0,0,0) with non-zero mean : 377.3866
## ARIMA(0,0,0)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,0)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,0)(1,0,0)[12] with zero mean : 359.1428
## ARIMA(0,0,0)(1,0,0)[12] with non-zero mean : 361.3227
## ARIMA(0,0,0)(1,0,1)[12] with zero mean : 359.1305
## ARIMA(0,0,0)(1,0,1)[12] with non-zero mean : 361.3908
## ARIMA(0,0,1) with zero mean : 346.6276
## ARIMA(0,0,1) with non-zero mean : Inf
## ARIMA(0,0,1)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,1)(1,0,0)[12] with zero mean : 330.9567
## ARIMA(0,0,1)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(0,0,1)(1,0,1)[12] with zero mean : 331.3201
## ARIMA(0,0,1)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,2) with zero mean : 348.2584
## ARIMA(0,0,2) with non-zero mean : Inf
## ARIMA(0,0,2)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,2)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,2)(1,0,0)[12] with zero mean : 331.2814
## ARIMA(0,0,2)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(0,0,2)(1,0,1)[12] with zero mean : 331.5982
## ARIMA(0,0,2)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,3) with zero mean : 350.1749
## ARIMA(0,0,3) with non-zero mean : Inf
## ARIMA(0,0,3)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,3)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,3)(1,0,0)[12] with zero mean : 333.5608
## ARIMA(0,0,3)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(0,0,3)(1,0,1)[12] with zero mean : 333.823
## ARIMA(0,0,3)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,4) with zero mean : 352.255
## ARIMA(0,0,4) with non-zero mean : 354.808
## ARIMA(0,0,4)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,4)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,4)(1,0,0)[12] with zero mean : 335.9837
## ARIMA(0,0,4)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(0,0,5) with zero mean : Inf
## ARIMA(0,0,5) with non-zero mean : Inf
## ARIMA(1,0,0) with zero mean : 356.8724
## ARIMA(1,0,0) with non-zero mean : 359.0636
## ARIMA(1,0,0)(0,0,1)[12] with zero mean : Inf
## ARIMA(1,0,0)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,0)(1,0,0)[12] with zero mean : 339.8911
## ARIMA(1,0,0)(1,0,0)[12] with non-zero mean : 342.0016
## ARIMA(1,0,0)(1,0,1)[12] with zero mean : 339.8431
## ARIMA(1,0,0)(1,0,1)[12] with non-zero mean : 342.1056
## ARIMA(1,0,1) with zero mean : 348.069
## ARIMA(1,0,1) with non-zero mean : Inf
## ARIMA(1,0,1)(0,0,1)[12] with zero mean : Inf
## ARIMA(1,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,1)(1,0,0)[12] with zero mean : 330.9429
## ARIMA(1,0,1)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(1,0,1)(1,0,1)[12] with zero mean : 331.1196
## ARIMA(1,0,1)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,2) with zero mean : 348.9332
## ARIMA(1,0,2) with non-zero mean : Inf
## ARIMA(1,0,2)(0,0,1)[12] with zero mean : Inf
## ARIMA(1,0,2)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,2)(1,0,0)[12] with zero mean : 333.048
## ARIMA(1,0,2)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(1,0,2)(1,0,1)[12] with zero mean : 333.4168
## ARIMA(1,0,2)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,3) with zero mean : 350.9598
## ARIMA(1,0,3) with non-zero mean : Inf
## ARIMA(1,0,3)(0,0,1)[12] with zero mean : Inf
## ARIMA(1,0,3)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,3)(1,0,0)[12] with zero mean : 335.6981
## ARIMA(1,0,3)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(1,0,4) with zero mean : 351.4079
## ARIMA(1,0,4) with non-zero mean : Inf
## ARIMA(2,0,0) with zero mean : 356.7415
## ARIMA(2,0,0) with non-zero mean : 359.0339
## ARIMA(2,0,0)(0,0,1)[12] with zero mean : Inf
## ARIMA(2,0,0)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(2,0,0)(1,0,0)[12] with zero mean : 338.802
## ARIMA(2,0,0)(1,0,0)[12] with non-zero mean : 340.9107
## ARIMA(2,0,0)(1,0,1)[12] with zero mean : 338.4364
## ARIMA(2,0,0)(1,0,1)[12] with non-zero mean : 340.7104
## ARIMA(2,0,1) with zero mean : 349.7962
## ARIMA(2,0,1) with non-zero mean : Inf
## ARIMA(2,0,1)(0,0,1)[12] with zero mean : Inf
## ARIMA(2,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(2,0,1)(1,0,0)[12] with zero mean : 333.2989
## ARIMA(2,0,1)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(2,0,1)(1,0,1)[12] with zero mean : 333.5477
## ARIMA(2,0,1)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(2,0,2) with zero mean : 351.166
## ARIMA(2,0,2) with non-zero mean : Inf
## ARIMA(2,0,2)(0,0,1)[12] with zero mean : Inf
## ARIMA(2,0,2)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(2,0,2)(1,0,0)[12] with zero mean : 335.6995
## ARIMA(2,0,2)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(2,0,3) with zero mean : Inf
## ARIMA(2,0,3) with non-zero mean : Inf
## ARIMA(3,0,0) with zero mean : 349.3028
## ARIMA(3,0,0) with non-zero mean : 351.737
## ARIMA(3,0,0)(0,0,1)[12] with zero mean : Inf
## ARIMA(3,0,0)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(3,0,0)(1,0,0)[12] with zero mean : 335.8938
## ARIMA(3,0,0)(1,0,0)[12] with non-zero mean : 338.0871
## ARIMA(3,0,0)(1,0,1)[12] with zero mean : 336.9049
## ARIMA(3,0,0)(1,0,1)[12] with non-zero mean : 339.2666
## ARIMA(3,0,1) with zero mean : 351.9973
## ARIMA(3,0,1) with non-zero mean : Inf
## ARIMA(3,0,1)(0,0,1)[12] with zero mean : Inf
## ARIMA(3,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(3,0,1)(1,0,0)[12] with zero mean : 335.5751
## ARIMA(3,0,1)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(3,0,2) with zero mean : 353.4478
## ARIMA(3,0,2) with non-zero mean : Inf
## ARIMA(4,0,0) with zero mean : 351.8198
## ARIMA(4,0,0) with non-zero mean : 354.3852
## ARIMA(4,0,0)(0,0,1)[12] with zero mean : Inf
## ARIMA(4,0,0)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(4,0,0)(1,0,0)[12] with zero mean : 337.4894
## ARIMA(4,0,0)(1,0,0)[12] with non-zero mean : 339.6895
## ARIMA(4,0,1) with zero mean : 354.4732
## ARIMA(4,0,1) with non-zero mean : 357.1783
## ARIMA(5,0,0) with zero mean : 354.4464
## ARIMA(5,0,0) with non-zero mean : 357.1468
##
##
##
## Best model: ARIMA(1,0,1)(1,0,0)[12] with zero meanmodelautoarima_so2## Series: data_train_sarima_dss2_so2
## ARIMA(1,0,1)(1,0,0)[12] with zero mean
##
## Coefficients:
## ar1 ma1 sar1
## -0.2705 -0.8467 -0.6437
## s.e. 0.1698 0.1069 0.1081
##
## sigma^2 = 57.26: log likelihood = -160.98
## AIC=329.97 AICc=330.94 BIC=337.28Box.test(residuals(modelautoarima_so2), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(modelautoarima_so2)
## X-squared = 6.3444, df = 12, p-value = 0.8977e. Fit Model 4
# Fit Model 4
fitmodel4_so2 <- Arima (data_train_sarima_dss2_so2,
order = c(2,1,1),
seasonal = c(2,1,0),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel4_so2)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.75700 0.17781 -4.2572 2.070e-05 ***
## ar2 -0.23232 0.17959 -1.2936 0.1958
## ma1 -1.00000 0.13662 -7.3196 2.487e-13 ***
## sar1 -1.14249 0.20157 -5.6681 1.444e-08 ***
## sar2 -0.47105 0.25094 -1.8771 0.0605 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel4_so2)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,1,1)(2,1,0)[12]
## Q* = 10.958, df = 4, p-value = 0.02704
##
## Model df: 5. Total lags used: 9ggtsdisplay(fitmodel4_so2$residuals)
summary(fitmodel4_so2)## Series: data_train_sarima_dss2_so2
## ARIMA(2,1,1)(2,1,0)[12]
##
## Coefficients:
## ar1 ar2 ma1 sar1 sar2
## -0.7570 -0.2323 -1.0000 -1.1425 -0.4710
## s.e. 0.1778 0.1796 0.1366 0.2016 0.2509
##
## sigma^2 = 139.3: log likelihood = -137.37
## AIC=286.74 AICc=289.97 BIC=295.72
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 1.434256 9.208141 6.226831 -Inf Inf 0.275667 -0.03669682Box.test(residuals(fitmodel4_so2), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel4_so2)
## X-squared = 12.207, df = 12, p-value = 0.4292Berdasarkan fit model yang ke 4 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.02704 dimana nilai signifikan < 0,05 dan nilai AIC = 286.74.
hasil_df_so2 <- data.frame(
id = c(1:5),
Model = c("Model1(2,2,0)(0,0,1)", "Model2(2,2,1)(0,0,1)", "Model3(2,2,1)(0,1,1)", "Model4(2,1,1)(2,1,0)","AutoArima(1,0,1)(1,0,0)"),
AIC = c(fitmodel1_so2$aic, fitmodel2_so2$aic, fitmodel3_so2$aic, fitmodel4_so2$aic, modelautoarima_so2$aic),
BIC = c(fitmodel1_so2$bic, fitmodel2_so2$bic, fitmodel3_so2$bic, fitmodel4_so2$bic, modelautoarima_so2$bic),
stringsAsFactors = FALSE
)
hasil_df_so2## id Model AIC BIC
## 1 1 Model1(2,2,0)(0,0,1) 388.5097 395.6464
## 2 2 Model2(2,2,1)(0,0,1) 362.3555 371.2765
## 3 3 Model3(2,2,1)(0,1,1) 311.2653 318.5939
## 4 4 Model4(2,1,1)(2,1,0) 286.7426 295.7216
## 5 5 AutoArima(1,0,1)(1,0,0) 329.9673 337.2819Berdasarkan modelautoarima didapatkan model (2,0,1)(0,0,1) dengan nilai AIC = 329.97. Sehingga dapat disimpulkan bahwa performa fitmodel1 dengan nilai AIC = 388.51, fitmodel2 dengan nilai AIC = 362.36 dan fitmodel3 dengan nilai AIC = 311.27, dan fitmodel4 dengan nilai AIC 286.74. Berdasarkan kelima model tersebut, maka perfomansi model fitmodel4 yang terbaik yaitu model (2,1,1)(2,1,0) dengan nilai AIC sebesar 286.74 dan nilai p-value untuk keseluruhan signitifkan.
v. Forecasting dengan data latih
# Menggunakan fitmodel4
fcast_so2 <- forecast(fitmodel4_so2, h=12)
fcast_so2## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## Jan 2021 6.0077824 -9.662712 21.67828 -17.95817 29.97374
## Feb 2021 2.8488400 -16.147722 21.84540 -26.20389 31.90157
## Mar 2021 -5.3301637 -25.133131 14.47280 -35.61619 24.95586
## Apr 2021 -1.0998995 -20.904018 18.70422 -31.38768 29.18789
## May 2021 7.0764327 -12.722241 26.87511 -23.20303 37.35589
## Jun 2021 -1.0612086 -20.879338 18.75692 -31.37042 29.24801
## Jul 2021 -5.0031087 -24.814920 14.80870 -35.30266 25.29644
## Aug 2021 -2.0514197 -21.866937 17.76410 -32.35664 28.25380
## Sep 2021 9.0856107 -10.729372 28.90059 -21.21879 39.39001
## Oct 2021 -4.9205620 -24.735179 14.89406 -35.22440 25.38328
## Nov 2021 -0.8320406 -20.647069 18.98299 -31.13651 29.47243
## Dec 2021 -7.4287025 -27.243511 12.38611 -37.73284 22.87543autoplot(fcast_so2)
# membuat prediksi untuk data uji dengan menggunakan model terbaik
predictSarima_so2 <- predict(fcast_so2, data_test_sarima_so2)
autoplot(predictSarima_so2)
# visualisasi hasil forecast dari model multiplicative
data_test_sarima_so2 %>%
autoplot()+
autolayer(modelautoarima_so2$fitted, series = "Auto-Arima(1,0,1)(1,0,0)")+
autolayer(data_test_sarima_so2, series = "data test") +
autolayer(fitmodel1_so2$fitted, series = "Model-1(2,2,0)(0,0,1)")+
autolayer(fitmodel2_so2$fitted, series = "Model-2(2,2,1)(0,0,1)")+
autolayer(fitmodel3_so2$fitted, series = "Model-3(2,2,1)(0,1,1)")+
autolayer(fitmodel4_so2$fitted, series = "Model-4(2,1,1)(2,1,0)")+
autolayer(predictSarima_so2$mean, series = "forecast")
vi. Evaluasi Model
# Mean squared error (MSE)
MSESarima_so2 <- mean((data_test_sarima_so2 - predictSarima_so2$mean)^2)
MSESarima_so2## [1] 1092.006# Root mean squared error (RMSE)
RMSESarima_so2 <- sqrt(MSESarima_so2)
RMSESarima_so2## [1] 33.04551# Mean absolute error (MAE)
MAESarima_so2 <- mean(abs(data_test_sarima_so2 - predictSarima_so2$mean))
MAESarima_so2## [1] 31.89237# Mean absolute percentage error (MAPE)
MAPESarima_so2 <- mean(abs(data_test_sarima_so2 - predictSarima_so2$mean) / data_test_sarima_so2)
MAPESarima_so2## [1] 1.050104c. Model Prediksi CO
Pengujian akan dilakukan pada data df_dki_4 dengan menggunakan uji Augmented Dickey-Fuller (ADF) dan Kwiatkowski Phillips Schmidt Shin (KPSS). ADF Test Test ini digunakan untuk memahami apakah deret tersebut stationer atau tidak. Ada 2 hipotesis yang bisa dikembangkan. H0: deret waktu tidak stationer dan memiliki beberapa struktur tergantung waktu H1: deret waktu stationer dan tidak memiliki beberapa struktur tergantung waktu dengan nilai p-value < 0,05 sehingga HO ditolak, H1 diterima
KPSS test H0 dan H1 untuk uji KPSS berlawanan dengan uji ADF, sehingga hipotesis dalam KPSS adalah H0: deret tren stationer H1: deret tren tidak stationer dengan nilai p-value < 0,05 sehingga HO diterima, H1 ditolak
adf.test(df_dki_4$co)## Warning in adf.test(df_dki_4$co): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: df_dki_4$co
## Dickey-Fuller = -6.5446, Lag order = 12, p-value = 0.01
## alternative hypothesis: stationarykpss.test(df_dki_4$co, null = "Level")## Warning in kpss.test(df_dki_4$co, null = "Level"): p-value greater than printed
## p-value##
## KPSS Test for Level Stationarity
##
## data: df_dki_4$co
## KPSS Level = 0.1816, Truncation lag parameter = 8, p-value = 0.1#differensiasi data_so2 pada stasiun DKI4
df_dki_4_diff_co <- diff(df_dki_4$co)
#dropna dari data yang sudah di-differensiasi
df_dki_4_diff_co <- df_dki_4_diff_co[!is.na(df_dki_4_diff_co)]#plot data yang sudah di-differensiasi dan di-dropna
ggplot(data.frame(date = 1:length(df_dki_4_diff_co), value = df_dki_4_diff_co), aes(x = date, y = value)) +
geom_line(color = "blue") +
ggtitle("Stationary timeseries")+
theme(plot.title = element_text(hjust = 0.5))+
scale_x_continuous(name = "Hari",
breaks = seq(0, length(df_dki_4_diff_co), by = 365))+ #periode 365 hari
scale_y_continuous(name = "Nilai")+
theme(axis.text.x=element_text(angle=60,hjust=1))+
theme_minimal()
Berdasarkan hasil kedua uji ADF dan KPSS bisa disimpulkan nilai p-value < 0,05, sehingga bisa disimpulkan bahwa data deret waktu sudah stationer. Begitu juga dengan hasil visualiasi uji stationer bisa dilihat bahwa tidak terlihat tren apapun atau perubahan yang jelas dalam varians sehingga deret waktu sudah stationer.
i. Data Dekomposisi
decom_ts_co <- ts(data = Data.SPKU$co, start = c(2016,1), end = c(2021,12), frequency = 12)# Classical Decomposition
decom_ts_co %>% decompose(type = "multiplicative") %>%
autoplot() + xlab("Year") +
ggtitle("Multiplicative Decomposition of CO")
decom_ts_co %>% decompose(type = "additive") %>%
autoplot() + xlab("Year") +
ggtitle("Additive Decomposition of CO")
ts_decom_co <- decompose(decom_ts_co)ts_decom_table_co <- data.frame(seasonal = ts_decom_co$seasonal, trend = ts_decom_co$trend, random = ts_decom_co$random)
ts_decom_table_co <- na.omit(ts_decom_table_co)
descr(ts_decom_table_co)##
## seasonal
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -5.4722 -2.0472 0.4028 0.0000 2.6340 3.9361
##
## trend
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 10.29 18.57 24.77 23.81 30.05 34.04
##
## random
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -12.9361 -4.9153 -0.6653 0.1222 5.5514 14.6806head(ts_decom_table_co)## seasonal trend random
## 7 -2.622222 30.41667 3.205556
## 8 -4.180556 31.16667 4.013889
## 9 -1.855556 31.75000 -4.894444
## 10 2.627778 31.75000 3.622222
## 11 3.936111 31.20833 -3.144444
## 12 2.652778 31.45833 5.888889ts_decom_co$seasonal## Jan Feb Mar Apr May Jun
## 2016 3.4361111 -0.3555556 1.0277778 0.4944444 -5.4722222 0.3111111
## 2017 3.4361111 -0.3555556 1.0277778 0.4944444 -5.4722222 0.3111111
## 2018 3.4361111 -0.3555556 1.0277778 0.4944444 -5.4722222 0.3111111
## 2019 3.4361111 -0.3555556 1.0277778 0.4944444 -5.4722222 0.3111111
## 2020 3.4361111 -0.3555556 1.0277778 0.4944444 -5.4722222 0.3111111
## 2021 3.4361111 -0.3555556 1.0277778 0.4944444 -5.4722222 0.3111111
## Jul Aug Sep Oct Nov Dec
## 2016 -2.6222222 -4.1805556 -1.8555556 2.6277778 3.9361111 2.6527778
## 2017 -2.6222222 -4.1805556 -1.8555556 2.6277778 3.9361111 2.6527778
## 2018 -2.6222222 -4.1805556 -1.8555556 2.6277778 3.9361111 2.6527778
## 2019 -2.6222222 -4.1805556 -1.8555556 2.6277778 3.9361111 2.6527778
## 2020 -2.6222222 -4.1805556 -1.8555556 2.6277778 3.9361111 2.6527778
## 2021 -2.6222222 -4.1805556 -1.8555556 2.6277778 3.9361111 2.6527778plot(ts_decom_co$seasonal)
ts_decom_co$figure## [1] 3.4361111 -0.3555556 1.0277778 0.4944444 -5.4722222 0.3111111
## [7] -2.6222222 -4.1805556 -1.8555556 2.6277778 3.9361111 2.6527778plot(ts_decom_co$figure,
type = 'b',
xlab = 'Month',
ylab = 'Seasonality Index',
col = 'blue',
las = 2
)
#adjustment decomposition data
ts_decom_adj_co <- decom_ts_co - ts_decom_co$seasonal
plot(ts_decom_adj_co)
ts_decom_adj_co## Jan Feb Mar Apr May Jun Jul
## 2016 23.563889 26.355556 17.972222 31.505556 29.472222 32.688889 33.622222
## 2017 37.563889 30.355556 27.972222 21.505556 26.472222 41.688889 17.622222
## 2018 6.563889 12.355556 14.972222 25.505556 20.472222 16.688889 19.622222
## 2019 38.563889 29.355556 45.972222 40.505556 27.472222 28.688889 26.622222
## 2020 27.563889 35.355556 10.972222 7.505556 14.472222 5.688889 26.622222
## 2021 9.563889 11.355556 17.972222 21.505556 26.472222 21.688889 22.622222
## Aug Sep Oct Nov Dec
## 2016 35.180556 26.855556 35.372222 28.063889 37.347222
## 2017 28.180556 22.855556 28.372222 21.063889 18.347222
## 2018 17.180556 21.855556 24.372222 33.063889 20.347222
## 2019 29.180556 40.855556 31.372222 35.063889 40.347222
## 2020 13.180556 9.855556 2.372222 4.063889 4.347222
## 2021 21.180556 18.855556 11.372222 24.063889 19.347222descr(ts_decom_adj_co)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.372 17.885 24.218 23.819 29.693 45.972str(ts_decom_adj_co)## Time-Series [1:72] from 2016 to 2022: 23.6 26.4 18 31.5 29.5 ...df_data_co <- as.data.frame(ts_decom_adj_co)
df_data_co## x
## 1 23.563889
## 2 26.355556
## 3 17.972222
## 4 31.505556
## 5 29.472222
## 6 32.688889
## 7 33.622222
## 8 35.180556
## 9 26.855556
## 10 35.372222
## 11 28.063889
## 12 37.347222
## 13 37.563889
## 14 30.355556
## 15 27.972222
## 16 21.505556
## 17 26.472222
## 18 41.688889
## 19 17.622222
## 20 28.180556
## 21 22.855556
## 22 28.372222
## 23 21.063889
## 24 18.347222
## 25 6.563889
## 26 12.355556
## 27 14.972222
## 28 25.505556
## 29 20.472222
## 30 16.688889
## 31 19.622222
## 32 17.180556
## 33 21.855556
## 34 24.372222
## 35 33.063889
## 36 20.347222
## 37 38.563889
## 38 29.355556
## 39 45.972222
## 40 40.505556
## 41 27.472222
## 42 28.688889
## 43 26.622222
## 44 29.180556
## 45 40.855556
## 46 31.372222
## 47 35.063889
## 48 40.347222
## 49 27.563889
## 50 35.355556
## 51 10.972222
## 52 7.505556
## 53 14.472222
## 54 5.688889
## 55 26.622222
## 56 13.180556
## 57 9.855556
## 58 2.372222
## 59 4.063889
## 60 4.347222
## 61 9.563889
## 62 11.355556
## 63 17.972222
## 64 21.505556
## 65 26.472222
## 66 21.688889
## 67 22.622222
## 68 21.180556
## 69 18.855556
## 70 11.372222
## 71 24.063889
## 72 19.347222# Konversi data menjadi data time series menggunakan data dekomposisi time series
dataset_co <- decom_ts_co
plot(dataset_co)
ggtsdisplay(dataset_co)
BoxCox.lambda(dataset_co)## [1] 1.213639# Membagi data menjadi data latih dan data uji
data_train_sarima_co <- head(dataset_co, 5*12) # ambil data 5 tahun 2016-2020
data_test_sarima_co <- tail(dataset_co, length(dataset_co)-length(data_train_sarima_co)) #ambil data 1 tahun terakhir
data_train_sarima_co %>%
decompose() %>%
autoplot()
plot(data_train_sarima_co)
length(data_train_sarima_co)## [1] 60length(data_test_sarima_co)## [1] 12ii. Mengidentifikasi Diferensi
a. Mengidentifikasi Diferensi musiman order 1
data_train_sarima_ds_co <- diff(data_train_sarima_co, differences = 1, lag = 12)
adf.test(data_train_sarima_ds_co)##
## Augmented Dickey-Fuller Test
##
## data: data_train_sarima_ds_co
## Dickey-Fuller = -1.4495, Lag order = 3, p-value = 0.794
## alternative hypothesis: stationaryDari hasil diatas bisa disimpulkan bahwa data belum stationer karena nilai p-value > 0,05 yaitu sebesar 0,794.
b. Mengidentifikasi Diferensi non-musiman order 1
data_train_sarima_dss_co <- diff(data_train_sarima_ds_co, differences = 1)
adf.test(data_train_sarima_dss_co)## Warning in adf.test(data_train_sarima_dss_co): p-value smaller than printed
## p-value##
## Augmented Dickey-Fuller Test
##
## data: data_train_sarima_dss_co
## Dickey-Fuller = -4.785, Lag order = 3, p-value = 0.01
## alternative hypothesis: stationaryDari hasil diatas bisa disimpulkan bahwa data sudah stationer karena nilai p-value < 0,05 yaitu sebesar 0,01.
iii. Mengidentifikasi kemungkinan model yang tepat
par(mfrow = c(2,1))
acf(data_train_sarima_dss_co, lag.max = 36)
pacf(data_train_sarima_dss_co, lag.max = 36)
data_train_sarima_dss_co## Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2017 -10 6 -20 7 12 -25 9 3 -3 0 -12
## 2018 -12 13 5 17 -10 -19 27 -13 10 -3 16 -10
## 2019 30 -15 14 -16 -8 5 -5 5 7 -12 -5 18
## 2020 -31 17 -41 2 20 -10 23 -16 -15 2 -2 -5iv. Fit Model
Menentukan model prediksi yang terbaik yang dapat dilihat dari nilai performansi Akaike Information Criteria (AIC) dan nilai signifikan (p-value). Model yang lebih baik akan memiliki nilai AIC yang lebih rendah
a. Fit Model 1
# Fit Model 1
fitmodel1_co <- Arima (data_train_sarima_dss_co,
order = c(2,2,0),
seasonal = c(0,0,1),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel1_co)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -1.34725 0.11362 -11.8571 < 2.2e-16 ***
## ar2 -0.64657 0.11002 -5.8770 4.179e-09 ***
## sma1 -0.99997 0.45138 -2.2154 0.02674 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel1_co)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,2,0)(0,0,1)[12]
## Q* = 17.959, df = 6, p-value = 0.006336
##
## Model df: 3. Total lags used: 9ggtsdisplay(fitmodel1_co$residuals)
summary(fitmodel1_co)## Series: data_train_sarima_dss_co
## ARIMA(2,2,0)(0,0,1)[12]
##
## Coefficients:
## ar1 ar2 sma1
## -1.3472 -0.6466 -1.0000
## s.e. 0.1136 0.1100 0.4514
##
## sigma^2 = 234.5: log likelihood = -195.41
## AIC=398.82 AICc=399.82 BIC=406.05
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 0.2147893 14.47623 11.57239 -Inf Inf 0.521279 -0.1622588Box.test(residuals(fitmodel1_co), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel1_co)
## X-squared = 23.285, df = 12, p-value = 0.0254Berdasarkan hasil diatas bisa dilihat bahwa, semua nilai signifikan. Secara keseluruhan dari model sudah cukup signifikan dengan nilai p-value 0.006336 dimana nilai signifikan < 0,05 dan nilai AIC = 398.82. Sekarang kita akan lakukan fit model yang kedua dengan tujuan untuk mendapatkan nilai yang lebih baik.
b. Fit Model 2
# Fit Model 2
fitmodel2_co <- Arima (data_train_sarima_dss_co,
order = c(2,2,1),
seasonal = c(0,0,1),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel2_co)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -1.036245 0.134362 -7.7123 1.235e-14 ***
## ar2 -0.406241 0.132854 -3.0578 0.00223 **
## ma1 -0.999998 0.079209 -12.6248 < 2.2e-16 ***
## sma1 -0.999870 0.610627 -1.6374 0.10154
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel2_co)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,2,1)(0,0,1)[12]
## Q* = 18.468, df = 5, p-value = 0.002414
##
## Model df: 4. Total lags used: 9ggtsdisplay(fitmodel2_co$residuals)
summary(fitmodel2_co)## Series: data_train_sarima_dss_co
## ARIMA(2,2,1)(0,0,1)[12]
##
## Coefficients:
## ar1 ar2 ma1 sma1
## -1.0362 -0.4062 -1.0000 -0.9999
## s.e. 0.1344 0.1329 0.0792 0.6106
##
## sigma^2 = 134.5: log likelihood = -185.25
## AIC=380.51 AICc=382.05 BIC=389.54
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set -0.1075231 10.83336 9.312942 -Inf Inf 0.4195019 -0.05351463Box.test(residuals(fitmodel2_co), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel2_co)
## X-squared = 25.464, df = 12, p-value = 0.01277Berdasarkan fit model yang ke 2 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.002414 dimana nilai signifikan < 0,05 dan nilai AIC 380.51. Kita akan lanjutkan melakukan fit model yang ke 3.
c. Fit Model 3
# Fit Model 3
fitmodel3_co <- Arima (data_train_sarima_dss_co,
order = c(2,2,1),
seasonal = c(0,1,1),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel3_co)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -1.05653 0.14855 -7.1121 1.143e-12 ***
## ar2 -0.47416 0.14384 -3.2964 0.0009794 ***
## ma1 -0.99432 0.10631 -9.3526 < 2.2e-16 ***
## sma1 -0.79315 0.43457 -1.8251 0.0679834 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel3_co)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,2,1)(0,1,1)[12]
## Q* = 10.72, df = 5, p-value = 0.05722
##
## Model df: 4. Total lags used: 9ggtsdisplay(fitmodel3_co$residuals)
summary(fitmodel3_co)## Series: data_train_sarima_dss_co
## ARIMA(2,2,1)(0,1,1)[12]
##
## Coefficients:
## ar1 ar2 ma1 sma1
## -1.0565 -0.4742 -0.9943 -0.7931
## s.e. 0.1486 0.1438 0.1063 0.4346
##
## sigma^2 = 455.1: log likelihood = -156.54
## AIC=323.08 AICc=325.31 BIC=330.57
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 1.312411 16.75764 11.36016 -Inf Inf 0.511719 -0.07765291Box.test(residuals(fitmodel3_co), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel3_co)
## X-squared = 17.137, df = 12, p-value = 0.1445Berdasarkan fit model yang ke 3 didapatkan bahwa model belum memenuhi taraf signifikasi dengan nilai p-value 0.05722 dimana nilai signifikan > 0,05 dan nilai AIC = 323.08.
d. Menentukan model terbaik dengan auto.arima
# Menentukan model terbaik
modelautoarima_co <- auto.arima(
data_train_sarima_dss_co,
stepwise = FALSE,
approximation = FALSE,
trace = TRUE)##
## ARIMA(0,0,0) with zero mean : 390.9457
## ARIMA(0,0,0) with non-zero mean : 392.8971
## ARIMA(0,0,0)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,0)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,0)(1,0,0)[12] with zero mean : 374.7442
## ARIMA(0,0,0)(1,0,0)[12] with non-zero mean : 376.9764
## ARIMA(0,0,0)(1,0,1)[12] with zero mean : 376.9946
## ARIMA(0,0,0)(1,0,1)[12] with non-zero mean : 379.332
## ARIMA(0,0,1) with zero mean : 380.0845
## ARIMA(0,0,1) with non-zero mean : 381.4727
## ARIMA(0,0,1)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,1)(1,0,0)[12] with zero mean : 368.1401
## ARIMA(0,0,1)(1,0,0)[12] with non-zero mean : 370.1728
## ARIMA(0,0,1)(1,0,1)[12] with zero mean : 367.7959
## ARIMA(0,0,1)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,2) with zero mean : 381.7669
## ARIMA(0,0,2) with non-zero mean : 383.3624
## ARIMA(0,0,2)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,2)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,2)(1,0,0)[12] with zero mean : 370.4775
## ARIMA(0,0,2)(1,0,0)[12] with non-zero mean : 372.6193
## ARIMA(0,0,2)(1,0,1)[12] with zero mean : Inf
## ARIMA(0,0,2)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,3) with zero mean : 381.1093
## ARIMA(0,0,3) with non-zero mean : 382.8134
## ARIMA(0,0,3)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,3)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,3)(1,0,0)[12] with zero mean : 365.9
## ARIMA(0,0,3)(1,0,0)[12] with non-zero mean : 368.3837
## ARIMA(0,0,3)(1,0,1)[12] with zero mean : Inf
## ARIMA(0,0,3)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,4) with zero mean : 383.6178
## ARIMA(0,0,4) with non-zero mean : 385.4496
## ARIMA(0,0,4)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,4)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,4)(1,0,0)[12] with zero mean : 368.5065
## ARIMA(0,0,4)(1,0,0)[12] with non-zero mean : 371.1394
## ARIMA(0,0,5) with zero mean : Inf
## ARIMA(0,0,5) with non-zero mean : Inf
## ARIMA(1,0,0) with zero mean : 379.3863
## ARIMA(1,0,0) with non-zero mean : 381.0887
## ARIMA(1,0,0)(0,0,1)[12] with zero mean : Inf
## ARIMA(1,0,0)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,0)(1,0,0)[12] with zero mean : 368.6077
## ARIMA(1,0,0)(1,0,0)[12] with non-zero mean : 370.8004
## ARIMA(1,0,0)(1,0,1)[12] with zero mean : Inf
## ARIMA(1,0,0)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,1) with zero mean : 381.2584
## ARIMA(1,0,1) with non-zero mean : 382.9216
## ARIMA(1,0,1)(0,0,1)[12] with zero mean : Inf
## ARIMA(1,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,1)(1,0,0)[12] with zero mean : 370.4001
## ARIMA(1,0,1)(1,0,0)[12] with non-zero mean : 372.544
## ARIMA(1,0,1)(1,0,1)[12] with zero mean : Inf
## ARIMA(1,0,1)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,2) with zero mean : 383.6364
## ARIMA(1,0,2) with non-zero mean : 385.3842
## ARIMA(1,0,2)(0,0,1)[12] with zero mean : Inf
## ARIMA(1,0,2)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,2)(1,0,0)[12] with zero mean : 372.6088
## ARIMA(1,0,2)(1,0,0)[12] with non-zero mean : 374.9425
## ARIMA(1,0,2)(1,0,1)[12] with zero mean : Inf
## ARIMA(1,0,2)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,3) with zero mean : 383.62
## ARIMA(1,0,3) with non-zero mean : 385.4499
## ARIMA(1,0,3)(0,0,1)[12] with zero mean : Inf
## ARIMA(1,0,3)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,3)(1,0,0)[12] with zero mean : 368.5309
## ARIMA(1,0,3)(1,0,0)[12] with non-zero mean : 371.1527
## ARIMA(1,0,4) with zero mean : 384.0946
## ARIMA(1,0,4) with non-zero mean : 386.0623
## ARIMA(2,0,0) with zero mean : 381.2402
## ARIMA(2,0,0) with non-zero mean : 382.9375
## ARIMA(2,0,0)(0,0,1)[12] with zero mean : Inf
## ARIMA(2,0,0)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(2,0,0)(1,0,0)[12] with zero mean : 370.9967
## ARIMA(2,0,0)(1,0,0)[12] with non-zero mean : 373.2971
## ARIMA(2,0,0)(1,0,1)[12] with zero mean : Inf
## ARIMA(2,0,0)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(2,0,1) with zero mean : 383.4108
## ARIMA(2,0,1) with non-zero mean : 385.0905
## ARIMA(2,0,1)(0,0,1)[12] with zero mean : Inf
## ARIMA(2,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(2,0,1)(1,0,0)[12] with zero mean : 372.1394
## ARIMA(2,0,1)(1,0,0)[12] with non-zero mean : 374.4372
## ARIMA(2,0,1)(1,0,1)[12] with zero mean : Inf
## ARIMA(2,0,1)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(2,0,2) with zero mean : 385.9219
## ARIMA(2,0,2) with non-zero mean : 387.7271
## ARIMA(2,0,2)(0,0,1)[12] with zero mean : Inf
## ARIMA(2,0,2)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(2,0,2)(1,0,0)[12] with zero mean : 374.2774
## ARIMA(2,0,2)(1,0,0)[12] with non-zero mean : 376.7356
## ARIMA(2,0,3) with zero mean : Inf
## ARIMA(2,0,3) with non-zero mean : Inf
## ARIMA(3,0,0) with zero mean : 383.4988
## ARIMA(3,0,0) with non-zero mean : 385.3572
## ARIMA(3,0,0)(0,0,1)[12] with zero mean : Inf
## ARIMA(3,0,0)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(3,0,0)(1,0,0)[12] with zero mean : 372.4806
## ARIMA(3,0,0)(1,0,0)[12] with non-zero mean : 374.9017
## ARIMA(3,0,0)(1,0,1)[12] with zero mean : Inf
## ARIMA(3,0,0)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(3,0,1) with zero mean : 385.3743
## ARIMA(3,0,1) with non-zero mean : 387.3854
## ARIMA(3,0,1)(0,0,1)[12] with zero mean : Inf
## ARIMA(3,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(3,0,1)(1,0,0)[12] with zero mean : 372.3648
## ARIMA(3,0,1)(1,0,0)[12] with non-zero mean : 374.8634
## ARIMA(3,0,2) with zero mean : 387.2143
## ARIMA(3,0,2) with non-zero mean : Inf
## ARIMA(4,0,0) with zero mean : 382.4184
## ARIMA(4,0,0) with non-zero mean : 384.1581
## ARIMA(4,0,0)(0,0,1)[12] with zero mean : Inf
## ARIMA(4,0,0)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(4,0,0)(1,0,0)[12] with zero mean : 367.1282
## ARIMA(4,0,0)(1,0,0)[12] with non-zero mean : 369.5617
## ARIMA(4,0,1) with zero mean : 384.9508
## ARIMA(4,0,1) with non-zero mean : 386.7879
## ARIMA(5,0,0) with zero mean : 384.7559
## ARIMA(5,0,0) with non-zero mean : 386.5404
##
##
##
## Best model: ARIMA(0,0,3)(1,0,0)[12] with zero meanmodelautoarima_co## Series: data_train_sarima_dss_co
## ARIMA(0,0,3)(1,0,0)[12] with zero mean
##
## Coefficients:
## ma1 ma2 ma3 sar1
## -0.4145 0.3246 -0.4880 -0.6824
## s.e. 0.1332 0.1509 0.1265 0.1133
##
## sigma^2 = 100.8: log likelihood = -177.22
## AIC=364.44 AICc=365.9 BIC=373.69Box.test(residuals(modelautoarima_co), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(modelautoarima_co)
## X-squared = 10.066, df = 12, p-value = 0.6102e. Fit Model 4
# Fit Model 4
fitmodel4_co <- Arima (data_train_sarima_dss_co,
order = c(2,1,1),
seasonal = c(2,1,0),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel4_co)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.403449 0.189768 -2.1260 0.0335 *
## ar2 -0.042749 0.170561 -0.2506 0.8021
## ma1 -0.999992 0.194290 -5.1469 2.648e-07 ***
## sar1 -0.988937 0.228958 -4.3193 1.565e-05 ***
## sar2 -0.332642 0.249252 -1.3346 0.1820
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel4_co)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,1,1)(2,1,0)[12]
## Q* = 10.767, df = 4, p-value = 0.02931
##
## Model df: 5. Total lags used: 9ggtsdisplay(fitmodel4_co$residuals)
summary(fitmodel4_co)## Series: data_train_sarima_dss_co
## ARIMA(2,1,1)(2,1,0)[12]
##
## Coefficients:
## ar1 ar2 ma1 sar1 sar2
## -0.4034 -0.0427 -1.0000 -0.9889 -0.3326
## s.e. 0.1898 0.1706 0.1943 0.2290 0.2493
##
## sigma^2 = 264.6: log likelihood = -149.3
## AIC=310.59 AICc=313.71 BIC=319.75
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set -2.585082 12.77864 8.520517 Inf Inf 0.3838071 -0.07628443Box.test(residuals(fitmodel4_co), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel4_co)
## X-squared = 13.788, df = 12, p-value = 0.3144Berdasarkan fit model yang ke 4 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.02931 dimana nilai signifikan < 0,05 dan nilai AIC = 310.59.
hasil_df_co <- data.frame(
id = c(1:5),
Model = c("Model1(2,2,0)(0,0,1)", "Model2(2,2,1)(0,0,1)", "Model3(2,2,1)(0,1,1)", "Model4(2,1,1)(2,1,0)","AutoArima(0,0,3)(1,0,0)"),
AIC = c(fitmodel1_co$aic, fitmodel2_co$aic, fitmodel3_co$aic, fitmodel4_co$aic, modelautoarima_co$aic),
BIC = c(fitmodel1_co$bic, fitmodel2_co$bic, fitmodel3_co$bic, fitmodel4_co$bic, modelautoarima_co$bic),
stringsAsFactors = FALSE
)
hasil_df_co## id Model AIC BIC
## 1 1 Model1(2,2,0)(0,0,1) 398.8213 406.0479
## 2 2 Model2(2,2,1)(0,0,1) 380.5074 389.5407
## 3 3 Model3(2,2,1)(0,1,1) 323.0842 330.5667
## 4 4 Model4(2,1,1)(2,1,0) 310.5943 319.7524
## 5 5 AutoArima(0,0,3)(1,0,0) 364.4366 373.6873Berdasarkan modelautoarima didapatkan model (0,0,3)(1,0,0) dengan nilai AIC = 364.44. Sehingga dapat disimpulkan bahwa performa fitmodel1 dengan nilai AIC = 398.82, fitmodel2 dengan nilai AIC = 380.51 dan fitmodel3 dengan nilai AIC = 323.08, dan fitmodel4 dengan nilai AIC 310.59. Berdasarkan kelima model tersebut, maka perfomansi model fitmodel4 yang terbaik yaitu model (2,1,1)(2,1,0) dengan nilai AIC sebesar 310.59 dan nilai p-value untuk keseluruhan signitifkan.
v. Forecasting dengan data latih
# Menggunakan fitmodel4
fcast_co <- forecast(fitmodel4_co, h=12)
fcast_co## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## Jan 2021 10.616373 -10.82855 32.06130 -22.18081 43.41355
## Feb 2021 -6.758666 -29.43855 15.92122 -41.44456 27.92723
## Mar 2021 8.066694 -14.83780 30.97119 -26.96271 43.09610
## Apr 2021 -6.931417 -29.82105 15.95822 -41.93809 28.07526
## May 2021 -10.514685 -33.41050 12.38113 -45.53082 24.50145
## Jun 2021 -5.297309 -28.19188 17.59726 -40.31153 29.71691
## Jul 2021 3.804016 -19.09083 26.69886 -31.21062 38.81866
## Aug 2021 -3.369702 -26.26449 19.52509 -38.38426 31.64485
## Sep 2021 5.604625 -17.29017 28.49942 -29.40995 40.61920
## Oct 2021 -11.001239 -33.89603 11.89356 -46.01581 24.01333
## Nov 2021 -0.131235 -23.02603 22.76356 -35.14580 34.88333
## Dec 2021 6.281683 -16.61311 29.17648 -28.73289 41.29625autoplot(fcast_co)
# membuat prediksi untuk data uji dengan menggunakan model terbaik
predictSarima_co <- predict(fcast_co, data_test_sarima_co)
autoplot(predictSarima_co)
# visualisasi hasil forecast dari model multiplicative
data_test_sarima_co %>%
autoplot()+
autolayer(modelautoarima_co$fitted, series = "Auto-Arima(0,0,3)(1,0,0)")+
autolayer(data_test_sarima_co, series = "data test") +
autolayer(fitmodel1_co$fitted, series = "Model-1(2,2,0)(0,0,1)")+
autolayer(fitmodel2_co$fitted, series = "Model-2(2,2,1)(0,0,1)")+
autolayer(fitmodel3_co$fitted, series = "Model-3(2,2,1)(0,1,1)")+
autolayer(fitmodel4_co$fitted, series = "Model-4(2,1,1)(2,1,0)")+
autolayer(predictSarima_co$mean, series = "forecast")
vi. Evaluasi Model
# Mean squared error (MSE)
MSESarima_co <- mean((data_test_sarima_co - predictSarima_co$mean)^2)
MSESarima_co## [1] 457.2098# Root mean squared error (RMSE)
RMSESarima_co <- sqrt(MSESarima_co)
RMSESarima_co## [1] 21.38246# Mean absolute error (MAE)
MAESarima_co <- mean(abs(data_test_sarima_co - predictSarima_co$mean))
MAESarima_co## [1] 19.63591# Mean absolute percentage error (MAPE)
MAPESarima_co <- mean(abs(data_test_sarima_co - predictSarima_co$mean) / data_test_sarima_co)
MAPESarima_co## [1] 1.051088d. Model Prediksi O3
Pengujian akan dilakukan pada data df_dki_4 dengan menggunakan uji Augmented Dickey-Fuller (ADF) dan Kwiatkowski Phillips Schmidt Shin (KPSS). ADF Test Test ini digunakan untuk memahami apakah deret tersebut stationer atau tidak. Ada 2 hipotesis yang bisa dikembangkan. H0: deret waktu tidak stationer dan memiliki beberapa struktur tergantung waktu H1: deret waktu stationer dan tidak memiliki beberapa struktur tergantung waktu dengan nilai p-value < 0,05 sehingga HO ditolak, H1 diterima
KPSS test H0 dan H1 untuk uji KPSS berlawanan dengan uji ADF, sehingga hipotesis dalam KPSS adalah H0: deret tren stationer H1: deret tren tidak stationer dengan nilai p-value < 0,05 sehingga HO diterima, H1 ditolak
adf.test(df_dki_4$o3)## Warning in adf.test(df_dki_4$o3): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: df_dki_4$o3
## Dickey-Fuller = -5.1119, Lag order = 12, p-value = 0.01
## alternative hypothesis: stationarykpss.test(df_dki_4$o3, null = "Level")## Warning in kpss.test(df_dki_4$o3, null = "Level"): p-value smaller than printed
## p-value##
## KPSS Test for Level Stationarity
##
## data: df_dki_4$o3
## KPSS Level = 2.9788, Truncation lag parameter = 8, p-value = 0.01#differensiasi data_so2 pada stasiun DKI4
df_dki_4_diff_o3 <- diff(df_dki_4$o3)
#dropna dari data yang sudah di-differensiasi
df_dki_4_diff_o3 <- df_dki_4_diff_o3[!is.na(df_dki_4_diff_o3)]#plot data yang sudah di-differensiasi dan di-dropna
ggplot(data.frame(date = 1:length(df_dki_4_diff_o3), value = df_dki_4_diff_o3), aes(x = date, y = value)) +
geom_line(color = "blue") +
ggtitle("Stationary timeseries")+
theme(plot.title = element_text(hjust = 0.5))+
scale_x_continuous(name = "Hari",
breaks = seq(0, length(df_dki_4_diff_o3), by = 365))+ #periode 365 hari
scale_y_continuous(name = "Nilai")+
theme(axis.text.x=element_text(angle=60,hjust=1))+
theme_minimal()
Berdasarkan hasil kedua uji ADF dan KPSS bisa disimpulkan nilai p-value < 0,05, sehingga bisa disimpulkan bahwa data deret waktu sudah stationer. Begitu juga dengan hasil visualiasi uji stationer bisa dilihat bahwa tidak terlihat tren apapun atau perubahan yang jelas dalam varians sehingga deret waktu sudah stationer.
i. Data Dekomposisi
decom_ts_o3 <- ts(data = Data.SPKU$o3, start = c(2016,1), end = c(2021,12), frequency = 12)# Classical Decomposition
decom_ts_o3 %>% decompose(type = "multiplicative") %>%
autoplot() + xlab("Year") +
ggtitle("Multiplicative Decomposition of O3")
decom_ts_o3 %>% decompose(type = "additive") %>%
autoplot() + xlab("Year") +
ggtitle("Additive Decomposition of O3")
ts_decom_o3 <- decompose(decom_ts_o3)ts_decom_table_o3 <- data.frame(seasonal = ts_decom_o3$seasonal, trend = ts_decom_o3$trend, random = ts_decom_o3$random)
ts_decom_table_o3 <- na.omit(ts_decom_table_o3)
descr(ts_decom_table_o3)##
## seasonal
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -13.787 -2.581 1.180 0.000 4.734 6.797
##
## trend
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 42.71 52.61 58.81 57.72 63.88 69.17
##
## random
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -25.955 -11.811 -4.501 -1.538 9.897 39.062head(ts_decom_table_o3)## seasonal trend random
## 7 -5.36180556 68.66667 -10.304861
## 8 -13.78680556 69.16667 -10.379861
## 9 6.66319444 65.50000 -21.163194
## 10 3.49652778 61.54167 -17.038194
## 11 0.06319444 59.37500 -10.438194
## 12 4.97152778 57.04167 -8.013194ts_decom_o3$seasonal## Jan Feb Mar Apr May
## 2016 6.79652778 4.65486111 -1.48680556 -1.65347222 -6.65347222
## 2017 6.79652778 4.65486111 -1.48680556 -1.65347222 -6.65347222
## 2018 6.79652778 4.65486111 -1.48680556 -1.65347222 -6.65347222
## 2019 6.79652778 4.65486111 -1.48680556 -1.65347222 -6.65347222
## 2020 6.79652778 4.65486111 -1.48680556 -1.65347222 -6.65347222
## 2021 6.79652778 4.65486111 -1.48680556 -1.65347222 -6.65347222
## Jun Jul Aug Sep Oct
## 2016 2.29652778 -5.36180556 -13.78680556 6.66319444 3.49652778
## 2017 2.29652778 -5.36180556 -13.78680556 6.66319444 3.49652778
## 2018 2.29652778 -5.36180556 -13.78680556 6.66319444 3.49652778
## 2019 2.29652778 -5.36180556 -13.78680556 6.66319444 3.49652778
## 2020 2.29652778 -5.36180556 -13.78680556 6.66319444 3.49652778
## 2021 2.29652778 -5.36180556 -13.78680556 6.66319444 3.49652778
## Nov Dec
## 2016 0.06319444 4.97152778
## 2017 0.06319444 4.97152778
## 2018 0.06319444 4.97152778
## 2019 0.06319444 4.97152778
## 2020 0.06319444 4.97152778
## 2021 0.06319444 4.97152778plot(ts_decom_o3$seasonal)
ts_decom_o3$figure## [1] 6.79652778 4.65486111 -1.48680556 -1.65347222 -6.65347222
## [6] 2.29652778 -5.36180556 -13.78680556 6.66319444 3.49652778
## [11] 0.06319444 4.97152778plot(ts_decom_o3$figure,
type = 'b',
xlab = 'Month',
ylab = 'Seasonality Index',
col = 'blue',
las = 2
)
#adjustment decomposition data
ts_decom_adj_o3 <- decom_ts_o3 - ts_decom_o3$seasonal
plot(ts_decom_adj_o3)
ts_decom_adj_o3## Jan Feb Mar Apr May Jun Jul
## 2016 24.20347 90.34514 150.48681 88.65347 84.65347 66.70347 58.36181
## 2017 54.20347 72.34514 80.48681 63.65347 57.65347 37.70347 49.36181
## 2018 55.20347 63.34514 87.48681 94.65347 66.65347 54.70347 58.36181
## 2019 31.20347 38.34514 41.48681 50.65347 55.65347 80.70347 67.36181
## 2020 76.20347 68.34514 38.48681 35.65347 54.65347 37.70347 60.36181
## 2021 58.20347 35.34514 31.48681 35.65347 45.65347 68.70347 101.36181
## Aug Sep Oct Nov Dec
## 2016 58.78681 44.33681 44.50347 48.93681 49.02847
## 2017 56.78681 96.33681 63.50347 54.93681 65.02847
## 2018 73.78681 71.33681 62.50347 31.93681 35.02847
## 2019 57.78681 39.33681 76.50347 102.93681 68.02847
## 2020 45.78681 34.33681 31.50347 35.93681 56.02847
## 2021 80.78681 63.33681 45.50347 47.93681 32.02847descr(ts_decom_adj_o3)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 24.20 43.62 57.22 58.99 68.43 150.49str(ts_decom_adj_o3)## Time-Series [1:72] from 2016 to 2022: 24.2 90.3 150.5 88.7 84.7 ...df_data_o3 <- as.data.frame(ts_decom_adj_o3)
df_data_o3## x
## 1 24.20347
## 2 90.34514
## 3 150.48681
## 4 88.65347
## 5 84.65347
## 6 66.70347
## 7 58.36181
## 8 58.78681
## 9 44.33681
## 10 44.50347
## 11 48.93681
## 12 49.02847
## 13 54.20347
## 14 72.34514
## 15 80.48681
## 16 63.65347
## 17 57.65347
## 18 37.70347
## 19 49.36181
## 20 56.78681
## 21 96.33681
## 22 63.50347
## 23 54.93681
## 24 65.02847
## 25 55.20347
## 26 63.34514
## 27 87.48681
## 28 94.65347
## 29 66.65347
## 30 54.70347
## 31 58.36181
## 32 73.78681
## 33 71.33681
## 34 62.50347
## 35 31.93681
## 36 35.02847
## 37 31.20347
## 38 38.34514
## 39 41.48681
## 40 50.65347
## 41 55.65347
## 42 80.70347
## 43 67.36181
## 44 57.78681
## 45 39.33681
## 46 76.50347
## 47 102.93681
## 48 68.02847
## 49 76.20347
## 50 68.34514
## 51 38.48681
## 52 35.65347
## 53 54.65347
## 54 37.70347
## 55 60.36181
## 56 45.78681
## 57 34.33681
## 58 31.50347
## 59 35.93681
## 60 56.02847
## 61 58.20347
## 62 35.34514
## 63 31.48681
## 64 35.65347
## 65 45.65347
## 66 68.70347
## 67 101.36181
## 68 80.78681
## 69 63.33681
## 70 45.50347
## 71 47.93681
## 72 32.02847# Konversi data menjadi data time series menggunakan data dekomposisi time series
dataset_o3 <- decom_ts_o3
plot(dataset_o3)
ggtsdisplay(dataset_o3)
BoxCox.lambda(dataset_o3)## [1] -0.4056633# Membagi data menjadi data latih dan data uji
data_train_sarima_o3 <- head(dataset_o3, 5*12) # ambil data 5 tahun 2016-2020
data_test_sarima_o3 <- tail(dataset_o3, length(dataset_o3)-length(data_train_sarima_o3)) #ambil data 1 tahun terakhir
data_train_sarima_o3 %>%
decompose() %>%
autoplot()
plot(data_train_sarima_o3)
length(data_train_sarima_o3)## [1] 60length(data_test_sarima_o3)## [1] 12ii. Mengidentifikasi Diferensi
a. Mengidentifikasi Diferensi musiman order 1
data_train_sarima_ds_o3 <- diff(data_train_sarima_o3, differences = 1, lag = 12)
adf.test(data_train_sarima_ds_o3)##
## Augmented Dickey-Fuller Test
##
## data: data_train_sarima_ds_o3
## Dickey-Fuller = -2.5752, Lag order = 3, p-value = 0.3444
## alternative hypothesis: stationaryDari hasil diatas bisa disimpulkan bahwa data belum stationer karena nilai p-value > 0,05 yaitu sebesar 0.3444.
b. Mengidentifikasi Diferensi non-musiman order 1
data_train_sarima_dss_o3 <- diff(data_train_sarima_ds_o3, differences = 1)
adf.test(data_train_sarima_dss_o3)## Warning in adf.test(data_train_sarima_dss_o3): p-value smaller than printed
## p-value##
## Augmented Dickey-Fuller Test
##
## data: data_train_sarima_dss_o3
## Dickey-Fuller = -4.4259, Lag order = 3, p-value = 0.01
## alternative hypothesis: stationaryDari hasil diatas bisa disimpulkan bahwa data sudah stationer karena nilai p-value < 0,05 yaitu sebesar 0,01.
iii. Mengidentifikasi kemungkinan model yang tepat
par(mfrow = c(2,1))
acf(data_train_sarima_dss_o3, lag.max = 36)
pacf(data_train_sarima_dss_o3, lag.max = 36)
data_train_sarima_dss_o3## Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2017 -48 -52 45 -2 -2 20 7 54 -33 -13 10
## 2018 -15 -10 16 24 -22 8 -8 8 -42 24 -22 -7
## 2019 6 -1 -21 2 33 37 -17 -25 -16 46 57 -38
## 2020 12 -15 -33 -12 14 -42 36 -5 7 -40 -22 55iv. Fit Model
Menentukan model prediksi yang terbaik yang dapat dilihat dari nilai performansi Akaike Information Criteria (AIC) dan nilai signifikan (p-value). Model yang lebih baik akan memiliki nilai AIC yang lebih rendah
a. Fit Model 1
# Fit Model 1
fitmodel1_o3 <- Arima (data_train_sarima_dss_o3,
order = c(2,2,1),
seasonal = c(2,0,3),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel1_o3)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.641729 0.155004 -4.1401 3.472e-05 ***
## ar2 -0.351310 0.165984 -2.1165 0.0343 *
## ma1 -0.999894 0.077569 -12.8904 < 2.2e-16 ***
## sar1 -1.415880 1.019941 -1.3882 0.1651
## sar2 -0.740204 1.109548 -0.6671 0.5047
## sma1 1.386696 2.858127 0.4852 0.6276
## sma2 0.130052 1.806973 0.0720 0.9426
## sma3 -0.378113 1.417165 -0.2668 0.7896
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel1_o3)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,2,1)(2,0,3)[12]
## Q* = 7.7588, df = 3, p-value = 0.05127
##
## Model df: 8. Total lags used: 11ggtsdisplay(fitmodel1_o3$residuals)
summary(fitmodel1_o3)## Series: data_train_sarima_dss_o3
## ARIMA(2,2,1)(2,0,3)[12]
##
## Coefficients:
## ar1 ar2 ma1 sar1 sar2 sma1 sma2 sma3
## -0.6417 -0.3513 -0.9999 -1.4159 -0.7402 1.3867 0.1301 -0.3781
## s.e. 0.1550 0.1660 0.0776 1.0199 1.1095 2.8581 1.8070 1.4172
##
## sigma^2 = 773.5: log likelihood = -222.19
## AIC=462.37 AICc=467.52 BIC=478.63
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set -4.000731 24.67562 20.13218 174.9326 204.6778 0.570086 -0.07312756Box.test(residuals(fitmodel1_co), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel1_co)
## X-squared = 23.285, df = 12, p-value = 0.0254Secara keseluruhan dari model belum memenuhi taraf signifiksi dengan nilai p-value 0.05127 dimana nilai signifikan > 0,05 dan nilai AIC = 462.37. Sekarang kita akan lakukan fit model yang kedua dengan tujuan untuk mendapatkan nilai yang lebih baik.
b. Fit Model 2
# Fit Model 2
fitmodel2_o3 <- Arima (data_train_sarima_dss_o3,
order = c(2,2,1),
seasonal = c(3,0,2),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel2_o3)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.63945263 0.15299243 -4.1796 2.92e-05 ***
## ar2 -0.35149926 0.16632205 -2.1134 0.03457 *
## ma1 -0.99995014 0.07812739 -12.7990 < 2.2e-16 ***
## sar1 -0.18850787 0.44084054 -0.4276 0.66894
## sar2 0.40961969 0.46369196 0.8834 0.37703
## sar3 0.41193511 0.42562349 0.9678 0.33312
## sma1 0.00018524 4.10480634 0.0000 0.99996
## sma2 -0.99912337 4.10355693 -0.2435 0.80764
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel2_o3)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,2,1)(3,0,2)[12]
## Q* = 7.7074, df = 3, p-value = 0.05246
##
## Model df: 8. Total lags used: 11ggtsdisplay(fitmodel2_o3$residuals)
summary(fitmodel2_o3)## Series: data_train_sarima_dss_o3
## ARIMA(2,2,1)(3,0,2)[12]
##
## Coefficients:
## ar1 ar2 ma1 sar1 sar2 sar3 sma1 sma2
## -0.6395 -0.3515 -1.0000 -0.1885 0.4096 0.4119 0.0002 -0.9991
## s.e. 0.1530 0.1663 0.0781 0.4408 0.4637 0.4256 4.1048 4.1036
##
## sigma^2 = 805.3: log likelihood = -222.19
## AIC=462.39 AICc=467.53 BIC=478.65
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set -4.069676 25.17801 20.51036 178.909 208.9139 0.5807949 -0.07445338Box.test(residuals(fitmodel2_o3), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel2_o3)
## X-squared = 7.7137, df = 12, p-value = 0.8071Berdasarkan fit model yang ke 2 didapatkan bahwa secara keseluruhan model masih belum memenuhi tingkat signifikan dengan nilai p-value 0.05246 dimana nilai signifikan < 0,05 dan nilai AIC 462.39. Kita akan lanjutkan melakukan fit model yang ke 3.
c. Fit Model 3
# Fit Model 3
fitmodel3_o3 <- Arima (data_train_sarima_dss_o3,
order = c(2,2,1),
seasonal = c(3,0,3),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel3_o3)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.648385 0.155693 -4.1645 3.12e-05 ***
## ar2 -0.354482 0.165593 -2.1407 0.0323 *
## ma1 -0.999936 0.077649 -12.8777 < 2.2e-16 ***
## sar1 -0.784882 0.751760 -1.0441 0.2965
## sar2 0.024007 1.008020 0.0238 0.9810
## sar3 0.554508 0.609884 0.9092 0.3632
## sma1 0.776882 3.520044 0.2207 0.8253
## sma2 -0.785360 2.945525 -0.2666 0.7898
## sma3 -0.923677 3.288818 -0.2809 0.7788
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel3_o3)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,2,1)(3,0,3)[12]
## Q* = 7.8507, df = 3, p-value = 0.0492
##
## Model df: 9. Total lags used: 12ggtsdisplay(fitmodel3_o3$residuals)
summary(fitmodel3_o3)## Series: data_train_sarima_dss_o3
## ARIMA(2,2,1)(3,0,3)[12]
##
## Coefficients:
## ar1 ar2 ma1 sar1 sar2 sar3 sma1 sma2
## -0.6484 -0.3545 -0.9999 -0.7849 0.024 0.5545 0.7769 -0.7854
## s.e. 0.1557 0.1656 0.0776 0.7518 1.008 0.6099 3.5200 2.9455
## sma3
## -0.9237
## s.e. 3.2888
##
## sigma^2 = 596.5: log likelihood = -222.15
## AIC=464.29 AICc=470.76 BIC=482.36
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set -3.501099 21.37568 17.455 151.0097 177.0381 0.4942758 -0.06929251Box.test(residuals(fitmodel3_o3), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel3_o3)
## X-squared = 7.8507, df = 12, p-value = 0.7967Berdasarkan fit model yang ke 3 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.0492 dimana nilai signifikan < 0,05 dan nilai AIC = 464.29.
d. Menentukan model terbaik dengan auto.arima
# Menentukan model terbaik
modelautoarima_o3 <- auto.arima(
data_train_sarima_dss_o3,
stepwise = FALSE,
approximation = FALSE,
trace = TRUE)##
## ARIMA(0,0,0) with zero mean : 449.4329
## ARIMA(0,0,0) with non-zero mean : 451.5696
## ARIMA(0,0,0)(0,0,1)[12] with zero mean : 445.9954
## ARIMA(0,0,0)(0,0,1)[12] with non-zero mean : 448.2359
## ARIMA(0,0,0)(1,0,0)[12] with zero mean : 447.8881
## ARIMA(0,0,0)(1,0,0)[12] with non-zero mean : 450.14
## ARIMA(0,0,0)(1,0,1)[12] with zero mean : 448.2281
## ARIMA(0,0,0)(1,0,1)[12] with non-zero mean : 450.5719
## ARIMA(0,0,1) with zero mean : 449.4059
## ARIMA(0,0,1) with non-zero mean : 451.6032
## ARIMA(0,0,1)(0,0,1)[12] with zero mean : 446.7386
## ARIMA(0,0,1)(0,0,1)[12] with non-zero mean : 449.0822
## ARIMA(0,0,1)(1,0,0)[12] with zero mean : 447.7748
## ARIMA(0,0,1)(1,0,0)[12] with non-zero mean : 450.1226
## ARIMA(0,0,1)(1,0,1)[12] with zero mean : 449.1326
## ARIMA(0,0,1)(1,0,1)[12] with non-zero mean : 451.5933
## ARIMA(0,0,2) with zero mean : Inf
## ARIMA(0,0,2) with non-zero mean : Inf
## ARIMA(0,0,2)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,2)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,2)(1,0,0)[12] with zero mean : Inf
## ARIMA(0,0,2)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(0,0,2)(1,0,1)[12] with zero mean : Inf
## ARIMA(0,0,2)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,3) with zero mean : Inf
## ARIMA(0,0,3) with non-zero mean : Inf
## ARIMA(0,0,3)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,3)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,3)(1,0,0)[12] with zero mean : Inf
## ARIMA(0,0,3)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(0,0,3)(1,0,1)[12] with zero mean : Inf
## ARIMA(0,0,3)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,4) with zero mean : Inf
## ARIMA(0,0,4) with non-zero mean : Inf
## ARIMA(0,0,4)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,4)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,4)(1,0,0)[12] with zero mean : Inf
## ARIMA(0,0,4)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(0,0,5) with zero mean : Inf
## ARIMA(0,0,5) with non-zero mean : Inf
## ARIMA(1,0,0) with zero mean : 450.666
## ARIMA(1,0,0) with non-zero mean : 452.8844
## ARIMA(1,0,0)(0,0,1)[12] with zero mean : 447.7187
## ARIMA(1,0,0)(0,0,1)[12] with non-zero mean : 450.0623
## ARIMA(1,0,0)(1,0,0)[12] with zero mean : 449.2885
## ARIMA(1,0,0)(1,0,0)[12] with non-zero mean : 451.6405
## ARIMA(1,0,0)(1,0,1)[12] with zero mean : 450.0858
## ARIMA(1,0,0)(1,0,1)[12] with non-zero mean : 452.5417
## ARIMA(1,0,1) with zero mean : Inf
## ARIMA(1,0,1) with non-zero mean : Inf
## ARIMA(1,0,1)(0,0,1)[12] with zero mean : Inf
## ARIMA(1,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,1)(1,0,0)[12] with zero mean : Inf
## ARIMA(1,0,1)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(1,0,1)(1,0,1)[12] with zero mean : Inf
## ARIMA(1,0,1)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,2) with zero mean : Inf
## ARIMA(1,0,2) with non-zero mean : Inf
## ARIMA(1,0,2)(0,0,1)[12] with zero mean : Inf
## ARIMA(1,0,2)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,2)(1,0,0)[12] with zero mean : Inf
## ARIMA(1,0,2)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(1,0,2)(1,0,1)[12] with zero mean : Inf
## ARIMA(1,0,2)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,3) with zero mean : Inf
## ARIMA(1,0,3) with non-zero mean : Inf
## ARIMA(1,0,3)(0,0,1)[12] with zero mean : Inf
## ARIMA(1,0,3)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,3)(1,0,0)[12] with zero mean : Inf
## ARIMA(1,0,3)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(1,0,4) with zero mean : Inf
## ARIMA(1,0,4) with non-zero mean : Inf
## ARIMA(2,0,0) with zero mean : 449.7714
## ARIMA(2,0,0) with non-zero mean : 452.1048
## ARIMA(2,0,0)(0,0,1)[12] with zero mean : 446.6305
## ARIMA(2,0,0)(0,0,1)[12] with non-zero mean : 449.1161
## ARIMA(2,0,0)(1,0,0)[12] with zero mean : 448.0739
## ARIMA(2,0,0)(1,0,0)[12] with non-zero mean : 450.5565
## ARIMA(2,0,0)(1,0,1)[12] with zero mean : 449.1394
## ARIMA(2,0,0)(1,0,1)[12] with non-zero mean : 451.7498
## ARIMA(2,0,1) with zero mean : Inf
## ARIMA(2,0,1) with non-zero mean : Inf
## ARIMA(2,0,1)(0,0,1)[12] with zero mean : Inf
## ARIMA(2,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(2,0,1)(1,0,0)[12] with zero mean : Inf
## ARIMA(2,0,1)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(2,0,1)(1,0,1)[12] with zero mean : Inf
## ARIMA(2,0,1)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(2,0,2) with zero mean : Inf
## ARIMA(2,0,2) with non-zero mean : Inf
## ARIMA(2,0,2)(0,0,1)[12] with zero mean : Inf
## ARIMA(2,0,2)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(2,0,2)(1,0,0)[12] with zero mean : Inf
## ARIMA(2,0,2)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(2,0,3) with zero mean : Inf
## ARIMA(2,0,3) with non-zero mean : Inf
## ARIMA(3,0,0) with zero mean : 451.0173
## ARIMA(3,0,0) with non-zero mean : 453.4735
## ARIMA(3,0,0)(0,0,1)[12] with zero mean : 448.3216
## ARIMA(3,0,0)(0,0,1)[12] with non-zero mean : 450.9333
## ARIMA(3,0,0)(1,0,0)[12] with zero mean : 449.7163
## ARIMA(3,0,0)(1,0,0)[12] with non-zero mean : 452.3232
## ARIMA(3,0,0)(1,0,1)[12] with zero mean : 450.9581
## ARIMA(3,0,0)(1,0,1)[12] with non-zero mean : 453.7051
## ARIMA(3,0,1) with zero mean : Inf
## ARIMA(3,0,1) with non-zero mean : Inf
## ARIMA(3,0,1)(0,0,1)[12] with zero mean : Inf
## ARIMA(3,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(3,0,1)(1,0,0)[12] with zero mean : Inf
## ARIMA(3,0,1)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(3,0,2) with zero mean : Inf
## ARIMA(3,0,2) with non-zero mean : Inf
## ARIMA(4,0,0) with zero mean : 453.1764
## ARIMA(4,0,0) with non-zero mean : 455.7614
## ARIMA(4,0,0)(0,0,1)[12] with zero mean : 449.4195
## ARIMA(4,0,0)(0,0,1)[12] with non-zero mean : 452.1777
## ARIMA(4,0,0)(1,0,0)[12] with zero mean : 451.2603
## ARIMA(4,0,0)(1,0,0)[12] with non-zero mean : 454.0071
## ARIMA(4,0,1) with zero mean : Inf
## ARIMA(4,0,1) with non-zero mean : Inf
## ARIMA(5,0,0) with zero mean : 455.7297
## ARIMA(5,0,0) with non-zero mean : 458.4533
##
##
##
## Best model: ARIMA(0,0,0)(0,0,1)[12] with zero meanmodelautoarima_o3## Series: data_train_sarima_dss_o3
## ARIMA(0,0,0)(0,0,1)[12] with zero mean
##
## Coefficients:
## sma1
## -0.4670
## s.e. 0.1887
##
## sigma^2 = 678.1: log likelihood = -220.86
## AIC=445.72 AICc=446 BIC=449.42Box.test(residuals(modelautoarima_o3), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(modelautoarima_o3)
## X-squared = 3.9311, df = 12, p-value = 0.9846e. Fit Model 4
# Fit Model 4
fitmodel4_o3 <- Arima (data_train_sarima_dss_co,
order = c(0,0,1),
seasonal = c(1,0,3),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel4_o3)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ma1 -0.536728 0.136419 -3.9344 8.340e-05 ***
## sar1 -0.974040 0.227386 -4.2836 1.839e-05 ***
## sma1 -0.048866 0.704096 -0.0694 0.9447
## sma2 -0.915362 0.647243 -1.4142 0.1573
## sma3 -0.028613 0.297799 -0.0961 0.9235
## intercept -0.449967 0.400716 -1.1229 0.2615
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel4_o3)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(0,0,1)(1,0,3)[12] with non-zero mean
## Q* = 7.9256, df = 4, p-value = 0.09434
##
## Model df: 5. Total lags used: 9ggtsdisplay(fitmodel4_o3$residuals)
summary(fitmodel4_o3)## Series: data_train_sarima_dss_co
## ARIMA(0,0,1)(1,0,3)[12] with non-zero mean
##
## Coefficients:
## ma1 sar1 sma1 sma2 sma3 mean
## -0.5367 -0.9740 -0.0489 -0.9154 -0.0286 -0.4500
## s.e. 0.1364 0.2274 0.7041 0.6472 0.2978 0.4007
##
## sigma^2 = 84.31: log likelihood = -178.54
## AIC=371.07 AICc=373.94 BIC=384.02
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 0.04611935 8.576106 6.715302 Inf Inf 0.3024911 -0.0207555Box.test(residuals(fitmodel4_co), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel4_co)
## X-squared = 13.788, df = 12, p-value = 0.3144Berdasarkan fit model yang ke 4 didapatkan bahwa model ini juga belum memenuhi tingkat signifikan dengan nilai p-value 0.09434 dimana nilai signifikan > 0,05 dan nilai AIC = 371.07.
f. Fit Model 5
# Fit Model 5
fitmodel5_o3 <- Arima (data_train_sarima_dss_o3,
order = c(4,0,1),
seasonal = c(1,0,3),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel5_o3)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 0.616309 0.160346 3.8436 0.0001212 ***
## ar2 -0.163909 0.180002 -0.9106 0.3625099
## ar3 0.017722 0.191064 0.0928 0.9260992
## ar4 -0.025968 0.173176 -0.1500 0.8808029
## ma1 -0.999931 0.073711 -13.5656 < 2.2e-16 ***
## sar1 0.015512 0.769794 0.0202 0.9839229
## sma1 -0.746197 2.131385 -0.3501 0.7262638
## sma2 0.297295 2.036060 0.1460 0.8839097
## sma3 0.538558 1.701643 0.3165 0.7516283
## intercept -0.145893 0.327182 -0.4459 0.6556642
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel5_o3)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(4,0,1)(1,0,3)[12] with non-zero mean
## Q* = 5.4563, df = 3, p-value = 0.1413
##
## Model df: 9. Total lags used: 12ggtsdisplay(fitmodel5_o3$residuals)
summary(fitmodel5_o3)## Series: data_train_sarima_dss_o3
## ARIMA(4,0,1)(1,0,3)[12] with non-zero mean
##
## Coefficients:
## ar1 ar2 ar3 ar4 ma1 sar1 sma1 sma2
## 0.6163 -0.1639 0.0177 -0.0260 -0.9999 0.0155 -0.7462 0.2973
## s.e. 0.1603 0.1800 0.1911 0.1732 0.0737 0.7698 2.1314 2.0361
## sma3 mean
## 0.5386 -0.1459
## s.e. 1.7016 0.3272
##
## sigma^2 = 396.2: log likelihood = -214.49
## AIC=450.97 AICc=458.52 BIC=471.33
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set -0.116977 17.66129 14.4229 110.923 130.2003 0.4084156 0.009512273Box.test(residuals(fitmodel5_o3), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel5_o3)
## X-squared = 5.4563, df = 12, p-value = 0.941Berdasarkan fit model yang ke 5 didapatkan bahwa model ini juga belum memenuhi tingkat signifikan dengan nilai p-value 0.1413 dimana nilai signifikan > 0,05 dan nilai AIC = 450.97.
hasil_df_o3 <- data.frame(
id = c(1:6),
Model = c("Model1(2,2,1)(2,0,3)", "Model2(2,2,1)(3,0,2)", "Model3(2,2,1)(3,0,3)", "Model4(0,0,1)(1,0,3)", "Model5(4,0,1)(1,0,3)","AutoArima(0,0,0)(0,0,1)"),
AIC = c(fitmodel1_o3$aic, fitmodel2_o3$aic, fitmodel3_o3$aic, fitmodel4_o3$aic, fitmodel5_o3$aic, modelautoarima_o3$aic),
BIC = c(fitmodel1_o3$bic, fitmodel2_o3$bic, fitmodel3_o3$bic, fitmodel4_o3$bic, fitmodel5_o3$aic, modelautoarima_o3$bic),
stringsAsFactors = FALSE
)
hasil_df_o3## id Model AIC BIC
## 1 1 Model1(2,2,1)(2,0,3) 462.3726 478.6325
## 2 2 Model2(2,2,1)(3,0,2) 462.3857 478.6456
## 3 3 Model3(2,2,1)(3,0,3) 464.2942 482.3608
## 4 4 Model4(0,0,1)(1,0,3) 371.0721 384.0231
## 5 5 Model5(4,0,1)(1,0,3) 450.9743 450.9743
## 6 6 AutoArima(0,0,0)(0,0,1) 445.7226 449.4229Berdasarkan modelautoarima didapatkan model (0,0,0)(0,0,1) dengan nilai AIC = 445.72.Sedangkan dari kelima model hanya model ketiga yang memenuhi taraf signifikasi dibawah 0.05 dimana model memiliki nilai AIC sebesar = 464.2942. Sehingga hal ini menunjukkan model yang memiliki perfomansi terbaik yaitu model dari AutoArima dengan nilai AIC sebesar 445.72
v. Forecasting dengan data latih
# Menggunakan model AutoArima
fcast_o3 <- forecast(modelautoarima_o3, h=12)
fcast_o3## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## Jan 2021 -5.6104654 -39.01269 27.79176 -56.69476 45.47383
## Feb 2021 9.9655446 -23.41354 43.34463 -41.08336 61.01445
## Mar 2021 20.3011456 -13.07794 53.68023 -30.74776 71.35005
## Apr 2021 1.1583788 -32.22071 34.53747 -49.89053 52.20729
## May 2021 -11.4431169 -44.82220 21.93597 -62.49203 39.60579
## Jun 2021 10.8878202 -22.49127 44.26691 -40.16109 61.93673
## Jul 2021 -13.0794384 -46.45853 20.29965 -64.12835 37.96947
## Aug 2021 6.6926320 -26.68646 40.07172 -44.35628 57.74154
## Sep 2021 2.2588739 -31.12021 35.63796 -48.79003 53.30778
## Oct 2021 7.6125517 -25.76654 40.99164 -43.43636 58.66146
## Nov 2021 0.5662655 -32.81282 33.94535 -50.48264 51.61517
## Dec 2021 -17.1270717 -50.50616 16.25202 -68.17598 33.92184autoplot(fcast_o3)
# Menggunakan model fitmodel3
fcast_o3_2 <- forecast(fitmodel3_o3, h=12)
fcast_o3_2## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## Jan 2021 -7.2660766 -50.0639345 35.53178 -72.71975 58.18760
## Feb 2021 25.6434821 -18.9005234 70.18749 -42.48070 93.76766
## Mar 2021 49.1377217 0.8528712 97.42257 -24.70758 122.98303
## Apr 2021 -11.3470694 -66.3739084 43.67977 -95.50336 72.80922
## May 2021 -9.0338031 -68.4116209 50.34401 -99.84434 81.77673
## Jun 2021 7.7473941 -56.4032022 71.89799 -90.36248 105.85726
## Jul 2021 -0.2343169 -69.6090278 69.14039 -106.33378 105.86515
## Aug 2021 21.7356464 -52.4281243 95.89942 -91.68805 135.15935
## Sep 2021 -5.3452526 -84.4135364 73.72303 -126.26976 115.57925
## Oct 2021 23.9124919 -60.1338427 107.95883 -104.62528 152.45027
## Nov 2021 5.1990178 -83.7293902 94.12743 -130.80525 141.20328
## Dec 2021 15.3540539 -78.4748817 109.18299 -128.14492 158.85303autoplot(fcast_o3_2)
# membuat prediksi untuk data uji dengan menggunakan model terbaik
predictSarima_o3 <- predict(fcast_o3, data_test_sarima_o3)
autoplot(predictSarima_o3)
# visualisasi hasil forecast dari model multiplicative
data_test_sarima_o3 %>%
autoplot()+
autolayer(modelautoarima_o3$fitted, series = "Auto-Arima(0,0,0)(0,0,1)")+
autolayer(data_test_sarima_o3, series = "data test") +
autolayer(fitmodel3_o3$fitted, series = "Model-3(2,2,1)(3,0,3)")+
autolayer(predictSarima_o3$mean, series = "forecast")
vi. Evaluasi Model
# Mean squared error (MSE)
MSESarima_o3 <- mean((data_test_sarima_o3 - predictSarima_o3$mean)^2)
MSESarima_o3## [1] 3352.943# Root mean squared error (RMSE)
RMSESarima_o3 <- sqrt(MSESarima_o3)
RMSESarima_o3## [1] 57.9046# Mean absolute error (MAE)
MAESarima_o3 <- mean(abs(data_test_sarima_o3 - predictSarima_o3$mean))
MAESarima_o3## [1] 52.81807# Mean absolute percentage error (MAPE)
MAPESarima_o3 <- mean(abs(data_test_sarima_o3 - predictSarima_o3$mean) / data_test_sarima_o3)
MAPESarima_o3## [1] 0.9638573e. Model Prediksi CO
Pengujian akan dilakukan pada data df_dki_4 dengan menggunakan uji Augmented Dickey-Fuller (ADF) dan Kwiatkowski Phillips Schmidt Shin (KPSS). ADF Test Test ini digunakan untuk memahami apakah deret tersebut stationer atau tidak. Ada 2 hipotesis yang bisa dikembangkan. H0: deret waktu tidak stationer dan memiliki beberapa struktur tergantung waktu H1: deret waktu stationer dan tidak memiliki beberapa struktur tergantung waktu dengan nilai p-value < 0,05 sehingga HO ditolak, H1 diterima
KPSS test H0 dan H1 untuk uji KPSS berlawanan dengan uji ADF, sehingga hipotesis dalam KPSS adalah H0: deret tren stationer H1: deret tren tidak stationer dengan nilai p-value < 0,05 sehingga HO diterima, H1 ditolak
adf.test(df_dki_4$no2)## Warning in adf.test(df_dki_4$no2): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: df_dki_4$no2
## Dickey-Fuller = -5.9029, Lag order = 12, p-value = 0.01
## alternative hypothesis: stationarykpss.test(df_dki_4$no2, null = "Level")## Warning in kpss.test(df_dki_4$no2, null = "Level"): p-value smaller than
## printed p-value##
## KPSS Test for Level Stationarity
##
## data: df_dki_4$no2
## KPSS Level = 1.7018, Truncation lag parameter = 8, p-value = 0.01#differensiasi data_so2 pada stasiun DKI4
df_dki_4_diff_no2 <- diff(df_dki_4$no2)
#dropna dari data yang sudah di-differensiasi
df_dki_4_diff_no2 <- df_dki_4_diff_no2[!is.na(df_dki_4_diff_no2)]#plot data yang sudah di-differensiasi dan di-dropna
ggplot(data.frame(date = 1:length(df_dki_4_diff_no2), value = df_dki_4_diff_no2), aes(x = date, y = value)) +
geom_line(color = "blue") +
ggtitle("Stationary timeseries")+
theme(plot.title = element_text(hjust = 0.5))+
scale_x_continuous(name = "Hari",
breaks = seq(0, length(df_dki_4_diff_no2), by = 365))+ #periode 365 hari
scale_y_continuous(name = "Nilai")+
theme(axis.text.x=element_text(angle=60,hjust=1))+
theme_minimal()
Berdasarkan hasil kedua uji ADF dan KPSS bisa disimpulkan nilai p-value < 0,05, sehingga bisa disimpulkan bahwa data deret waktu sudah stationer. Begitu juga dengan hasil visualiasi uji stationer bisa dilihat bahwa tidak terlihat tren apapun atau perubahan yang jelas dalam varians sehingga deret waktu sudah stationer.
i. Data Dekomposisi
decom_ts_no2 <- ts(data = Data.SPKU$no2, start = c(2016,1), end = c(2021,12), frequency = 12)# Classical Decomposition
decom_ts_no2 %>% decompose(type = "multiplicative") %>%
autoplot() + xlab("Year") +
ggtitle("Multiplicative Decomposition of NO2")
decom_ts_no2 %>% decompose(type = "additive") %>%
autoplot() + xlab("Year") +
ggtitle("Additive Decomposition of NO2")
ts_decom_no2 <- decompose(decom_ts_no2)ts_decom_table_no2 <- data.frame(seasonal = ts_decom_co$seasonal, trend = ts_decom_no2$trend, random = ts_decom_no2$random)
ts_decom_table_no2 <- na.omit(ts_decom_table_no2)
descr(ts_decom_table_no2)##
## seasonal
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -5.4722 -2.0472 0.4028 0.0000 2.6340 3.9361
##
## trend
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.000 9.698 11.583 10.969 13.844 15.333
##
## random
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -5.75208 -2.48750 0.13958 -0.05208 1.25000 10.18958head(ts_decom_table_no2)## seasonal trend random
## 7 -2.622222 3.208333 -3.702083
## 8 -4.180556 3.291667 -1.827083
## 9 -1.855556 3.250000 -1.852083
## 10 2.627778 3.166667 -1.252083
## 11 3.936111 3.000000 1.214583
## 12 2.652778 3.208333 1.356250ts_decom_no2$seasonal## Jan Feb Mar Apr May Jun
## 2016 -2.38125000 -2.37291667 0.26875000 -0.68125000 -2.42291667 3.65208333
## 2017 -2.38125000 -2.37291667 0.26875000 -0.68125000 -2.42291667 3.65208333
## 2018 -2.38125000 -2.37291667 0.26875000 -0.68125000 -2.42291667 3.65208333
## 2019 -2.38125000 -2.37291667 0.26875000 -0.68125000 -2.42291667 3.65208333
## 2020 -2.38125000 -2.37291667 0.26875000 -0.68125000 -2.42291667 3.65208333
## 2021 -2.38125000 -2.37291667 0.26875000 -0.68125000 -2.42291667 3.65208333
## Jul Aug Sep Oct Nov Dec
## 2016 3.49375000 0.53541667 1.60208333 0.08541667 -0.21458333 -1.56458333
## 2017 3.49375000 0.53541667 1.60208333 0.08541667 -0.21458333 -1.56458333
## 2018 3.49375000 0.53541667 1.60208333 0.08541667 -0.21458333 -1.56458333
## 2019 3.49375000 0.53541667 1.60208333 0.08541667 -0.21458333 -1.56458333
## 2020 3.49375000 0.53541667 1.60208333 0.08541667 -0.21458333 -1.56458333
## 2021 3.49375000 0.53541667 1.60208333 0.08541667 -0.21458333 -1.56458333plot(ts_decom_no2$seasonal)
ts_decom_no2$figure## [1] -2.38125000 -2.37291667 0.26875000 -0.68125000 -2.42291667 3.65208333
## [7] 3.49375000 0.53541667 1.60208333 0.08541667 -0.21458333 -1.56458333plot(ts_decom_no2$figure,
type = 'b',
xlab = 'Month',
ylab = 'Seasonality Index',
col = 'blue',
las = 2
)
#adjustment decomposition data
ts_decom_adj_no2 <- decom_ts_no2 - ts_decom_no2$seasonal
plot(ts_decom_adj_no2)
ts_decom_adj_no2## Jan Feb Mar Apr May Jun
## 2016 3.3812500 6.3729167 3.7312500 4.6812500 6.4229167 -0.6520833
## 2017 6.3812500 5.3729167 3.7312500 2.6812500 4.4229167 6.3479167
## 2018 11.3812500 10.3729167 14.7312500 14.6812500 15.4229167 12.3479167
## 2019 16.3812500 15.3729167 15.7312500 21.6812500 14.4229167 12.3479167
## 2020 6.3812500 10.3729167 10.7312500 7.6812500 11.4229167 16.3479167
## 2021 14.3812500 14.3729167 11.7312500 10.6812500 12.4229167 11.3479167
## Jul Aug Sep Oct Nov Dec
## 2016 -0.4937500 1.4645833 1.3979167 1.9145833 4.2145833 4.5645833
## 2017 8.5062500 17.4645833 22.3979167 21.9145833 17.2145833 14.5645833
## 2018 14.5062500 10.4645833 11.3979167 17.9145833 15.2145833 15.5645833
## 2019 10.5062500 11.4645833 6.3979167 3.9145833 8.2145833 6.5645833
## 2020 17.5062500 10.4645833 10.3979167 6.9145833 8.2145833 12.5645833
## 2021 13.5062500 10.4645833 11.3979167 9.9145833 13.2145833 10.5645833descr(ts_decom_adj_no2)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -0.6521 6.3812 10.6229 10.3889 14.4437 22.3979str(ts_decom_adj_no2)## Time-Series [1:72] from 2016 to 2022: 3.38 6.37 3.73 4.68 6.42 ...df_data_no2 <- as.data.frame(ts_decom_adj_no2)
df_data_no2## x
## 1 3.3812500
## 2 6.3729167
## 3 3.7312500
## 4 4.6812500
## 5 6.4229167
## 6 -0.6520833
## 7 -0.4937500
## 8 1.4645833
## 9 1.3979167
## 10 1.9145833
## 11 4.2145833
## 12 4.5645833
## 13 6.3812500
## 14 5.3729167
## 15 3.7312500
## 16 2.6812500
## 17 4.4229167
## 18 6.3479167
## 19 8.5062500
## 20 17.4645833
## 21 22.3979167
## 22 21.9145833
## 23 17.2145833
## 24 14.5645833
## 25 11.3812500
## 26 10.3729167
## 27 14.7312500
## 28 14.6812500
## 29 15.4229167
## 30 12.3479167
## 31 14.5062500
## 32 10.4645833
## 33 11.3979167
## 34 17.9145833
## 35 15.2145833
## 36 15.5645833
## 37 16.3812500
## 38 15.3729167
## 39 15.7312500
## 40 21.6812500
## 41 14.4229167
## 42 12.3479167
## 43 10.5062500
## 44 11.4645833
## 45 6.3979167
## 46 3.9145833
## 47 8.2145833
## 48 6.5645833
## 49 6.3812500
## 50 10.3729167
## 51 10.7312500
## 52 7.6812500
## 53 11.4229167
## 54 16.3479167
## 55 17.5062500
## 56 10.4645833
## 57 10.3979167
## 58 6.9145833
## 59 8.2145833
## 60 12.5645833
## 61 14.3812500
## 62 14.3729167
## 63 11.7312500
## 64 10.6812500
## 65 12.4229167
## 66 11.3479167
## 67 13.5062500
## 68 10.4645833
## 69 11.3979167
## 70 9.9145833
## 71 13.2145833
## 72 10.5645833# Konversi data menjadi data time series menggunakan data dekomposisi time series
dataset_no2 <- decom_ts_no2
plot(dataset_no2)
ggtsdisplay(dataset_no2)
BoxCox.lambda(dataset_no2)## [1] -0.2685921# Membagi data menjadi data latih dan data uji
data_train_sarima_no2 <- head(dataset_no2, 5*12) # ambil data 5 tahun 2016-2020
data_test_sarima_no2 <- tail(dataset_no2, length(dataset_no2)-length(data_train_sarima_no2)) #ambil data 1 tahun terakhir
data_train_sarima_no2 %>%
decompose() %>%
autoplot()
plot(data_train_sarima_no2)
length(data_train_sarima_no2)## [1] 60length(data_test_sarima_no2)## [1] 12ii. Mengidentifikasi Diferensi
a. Mengidentifikasi Diferensi musiman order 1
data_train_sarima_ds_no2 <- diff(data_train_sarima_no2, differences = 1, lag = 12)
adf.test(data_train_sarima_ds_no2)##
## Augmented Dickey-Fuller Test
##
## data: data_train_sarima_ds_no2
## Dickey-Fuller = -3.0788, Lag order = 3, p-value = 0.1433
## alternative hypothesis: stationaryDari hasil diatas bisa disimpulkan bahwa data belum stationer karena nilai p-value > 0,05 yaitu sebesar 0.1433.
b. Mengidentifikasi Diferensi non-musiman order 1
data_train_sarima_dss_no2 <- diff(data_train_sarima_ds_no2, differences = 1)
adf.test(data_train_sarima_dss_no2)##
## Augmented Dickey-Fuller Test
##
## data: data_train_sarima_dss_no2
## Dickey-Fuller = -3.589, Lag order = 3, p-value = 0.04407
## alternative hypothesis: stationaryDari hasil diatas bisa disimpulkan bahwa data sudah stationer karena nilai p-value < 0,05 yaitu sebesar 0.04407.
iii. Mengidentifikasi kemungkinan model yang tepat
par(mfrow = c(2,1))
acf(data_train_sarima_dss_no2, lag.max = 36)
pacf(data_train_sarima_dss_no2, lag.max = 36)
data_train_sarima_dss_no2## Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2017 -4 1 -2 0 9 2 7 5 -1 -7 -3
## 2018 -5 0 6 1 -1 -5 0 -13 -4 7 2 3
## 2019 4 0 -4 6 -8 1 -4 5 -6 -9 7 -2
## 2020 -1 5 0 -9 11 7 3 -8 5 -1 -3 6iv. Fit Model
Menentukan model prediksi yang terbaik yang dapat dilihat dari nilai performansi Akaike Information Criteria (AIC) dan nilai signifikan (p-value). Model yang lebih baik akan memiliki nilai AIC yang lebih rendah
a. Fit Model 1
# Fit Model 1
fitmodel1_no2 <- Arima (data_train_sarima_dss_no2,
order = c(1,1,0),
seasonal = c(0,0,1),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel1_no2)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.404429 0.135260 -2.9900 0.00279 **
## sma1 -0.999764 0.705953 -1.4162 0.15672
## drift 0.094743 0.322601 0.2937 0.76900
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel1_no2)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(1,1,0)(0,0,1)[12] with drift
## Q* = 19.645, df = 7, p-value = 0.00639
##
## Model df: 2. Total lags used: 9ggtsdisplay(fitmodel1_no2$residuals)
summary(fitmodel1_no2)## Series: data_train_sarima_dss_no2
## ARIMA(1,1,0)(0,0,1)[12] with drift
##
## Coefficients:
## ar1 sma1 drift
## -0.4044 -0.9998 0.0947
## s.e. 0.1353 0.7060 0.3226
##
## sigma^2 = 23.48: log likelihood = -145.83
## AIC=299.65 AICc=300.63 BIC=306.97
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 0.05681869 4.634652 3.512256 NaN Inf 0.4406055 -0.1520117Box.test(residuals(fitmodel1_no2), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel1_no2)
## X-squared = 22.343, df = 12, p-value = 0.03385Secara keseluruhan dari model telah memenuhi tingkat signifikasi dimana nilai p-value 0.00639 dimana nilai signifikan < 0,05 dan nilai AIC = 299.65. Sekarang kita akan lakukan fit model yang kedua dengan tujuan untuk mendapatkan nilai yang lebih baik.
b. Fit Model 2
# Fit Model 2
fitmodel2_no2 <- Arima (data_train_sarima_dss_no2,
order = c(2,2,0),
seasonal = c(1,0,2),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel2_no2)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.894869 0.121637 -7.3569 1.883e-13 ***
## ar2 -0.577335 0.128589 -4.4898 7.130e-06 ***
## sar1 -0.333085 1.146925 -0.2904 0.7715
## sma1 -0.563522 1.029222 -0.5475 0.5840
## sma2 -0.030923 1.145186 -0.0270 0.9785
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel2_no2)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,2,0)(1,0,2)[12]
## Q* = 10.766, df = 4, p-value = 0.02932
##
## Model df: 5. Total lags used: 9ggtsdisplay(fitmodel2_no2$residuals)
summary(fitmodel2_no2)## Series: data_train_sarima_dss_no2
## ARIMA(2,2,0)(1,0,2)[12]
##
## Coefficients:
## ar1 ar2 sar1 sma1 sma2
## -0.8949 -0.5773 -0.3331 -0.5635 -0.0309
## s.e. 0.1216 0.1286 1.1469 1.0292 1.1452
##
## sigma^2 = 43.6: log likelihood = -151.85
## AIC=315.69 AICc=317.9 BIC=326.53
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set -0.05168227 6.091461 4.973503 NaN Inf 0.6239161 -0.2321937Box.test(residuals(fitmodel2_no2), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel2_no2)
## X-squared = 11.941, df = 12, p-value = 0.4504Berdasarkan fit model yang ke 2 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.02932 dimana nilai signifikan < 0,05 dan nilai AIC 315.69. Kita akan lanjutkan melakukan fit model yang ke 3.
c. Fit Model 3
# Fit Model 3
fitmodel3_no2 <- Arima (data_train_sarima_dss_no2,
order = c(2,2,0),
seasonal = c(2,0,2),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel3_no2)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.89649 0.13316 -6.7325 1.668e-11 ***
## ar2 -0.57594 0.13465 -4.2772 1.893e-05 ***
## sar1 -1.16826 20.50446 -0.0570 0.9546
## sar2 -0.27354 6.55188 -0.0417 0.9667
## sma1 0.27901 20.54530 0.0136 0.9892
## sma2 -0.49439 11.66887 -0.0424 0.9662
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel3_no2)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,2,0)(2,0,2)[12]
## Q* = 10.706, df = 3, p-value = 0.01343
##
## Model df: 6. Total lags used: 9ggtsdisplay(fitmodel3_no2$residuals)
summary(fitmodel3_no2)## Series: data_train_sarima_dss_no2
## ARIMA(2,2,0)(2,0,2)[12]
##
## Coefficients:
## ar1 ar2 sar1 sar2 sma1 sma2
## -0.8965 -0.5759 -1.1683 -0.2735 0.2790 -0.4944
## s.e. 0.1332 0.1347 20.5045 6.5519 20.5453 11.6689
##
## sigma^2 = 45: log likelihood = -151.85
## AIC=317.69 AICc=320.72 BIC=330.34
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set -0.05015281 6.110959 4.991174 NaN Inf 0.626133 -0.2317586Box.test(residuals(fitmodel3_no2), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel3_no2)
## X-squared = 11.843, df = 12, p-value = 0.4584Berdasarkan fit model yang ke 3 didapatkan bahwa model telah memenuhi taraf signifikasi dengan nilai p-value 0.01343 dimana nilai signifikan < 0,05 dan nilai AIC = 317.69.
d. Menentukan model terbaik dengan auto.arima
# Menentukan model terbaik
modelautoarima_no2 <- auto.arima(
data_train_sarima_dss_no2,
stepwise = FALSE,
approximation = FALSE,
trace = TRUE)##
## ARIMA(0,0,0) with zero mean : 292.8971
## ARIMA(0,0,0) with non-zero mean : 295.0742
## ARIMA(0,0,0)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,0)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,0)(1,0,0)[12] with zero mean : 281.9129
## ARIMA(0,0,0)(1,0,0)[12] with non-zero mean : 284.1668
## ARIMA(0,0,0)(1,0,1)[12] with zero mean : 280.8414
## ARIMA(0,0,0)(1,0,1)[12] with non-zero mean : 283.156
## ARIMA(0,0,1) with zero mean : 294.8726
## ARIMA(0,0,1) with non-zero mean : 297.1509
## ARIMA(0,0,1)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,1)(1,0,0)[12] with zero mean : 284.1549
## ARIMA(0,0,1)(1,0,0)[12] with non-zero mean : 286.5195
## ARIMA(0,0,1)(1,0,1)[12] with zero mean : 283.1761
## ARIMA(0,0,1)(1,0,1)[12] with non-zero mean : 285.6123
## ARIMA(0,0,2) with zero mean : 296.6239
## ARIMA(0,0,2) with non-zero mean : 299.0082
## ARIMA(0,0,2)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,2)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,2)(1,0,0)[12] with zero mean : 285.0358
## ARIMA(0,0,2)(1,0,0)[12] with non-zero mean : 287.4642
## ARIMA(0,0,2)(1,0,1)[12] with zero mean : 284.038
## ARIMA(0,0,2)(1,0,1)[12] with non-zero mean : 286.4056
## ARIMA(0,0,3) with zero mean : 298.8697
## ARIMA(0,0,3) with non-zero mean : 301.3704
## ARIMA(0,0,3)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,3)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,3)(1,0,0)[12] with zero mean : 287.4816
## ARIMA(0,0,3)(1,0,0)[12] with non-zero mean : 290.0123
## ARIMA(0,0,3)(1,0,1)[12] with zero mean : Inf
## ARIMA(0,0,3)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,4) with zero mean : 297.9477
## ARIMA(0,0,4) with non-zero mean : Inf
## ARIMA(0,0,4)(0,0,1)[12] with zero mean : Inf
## ARIMA(0,0,4)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(0,0,4)(1,0,0)[12] with zero mean : 288.1825
## ARIMA(0,0,4)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(0,0,5) with zero mean : 297.8451
## ARIMA(0,0,5) with non-zero mean : Inf
## ARIMA(1,0,0) with zero mean : 294.9098
## ARIMA(1,0,0) with non-zero mean : 297.1882
## ARIMA(1,0,0)(0,0,1)[12] with zero mean : Inf
## ARIMA(1,0,0)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,0)(1,0,0)[12] with zero mean : 284.1688
## ARIMA(1,0,0)(1,0,0)[12] with non-zero mean : 286.533
## ARIMA(1,0,0)(1,0,1)[12] with zero mean : Inf
## ARIMA(1,0,0)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,1) with zero mean : Inf
## ARIMA(1,0,1) with non-zero mean : Inf
## ARIMA(1,0,1)(0,0,1)[12] with zero mean : Inf
## ARIMA(1,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,1)(1,0,0)[12] with zero mean : Inf
## ARIMA(1,0,1)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(1,0,1)(1,0,1)[12] with zero mean : Inf
## ARIMA(1,0,1)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,2) with zero mean : Inf
## ARIMA(1,0,2) with non-zero mean : Inf
## ARIMA(1,0,2)(0,0,1)[12] with zero mean : Inf
## ARIMA(1,0,2)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,2)(1,0,0)[12] with zero mean : Inf
## ARIMA(1,0,2)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(1,0,2)(1,0,1)[12] with zero mean : Inf
## ARIMA(1,0,2)(1,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,3) with zero mean : Inf
## ARIMA(1,0,3) with non-zero mean : Inf
## ARIMA(1,0,3)(0,0,1)[12] with zero mean : Inf
## ARIMA(1,0,3)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(1,0,3)(1,0,0)[12] with zero mean : 290.076
## ARIMA(1,0,3)(1,0,0)[12] with non-zero mean : 292.7445
## ARIMA(1,0,4) with zero mean : 299.3017
## ARIMA(1,0,4) with non-zero mean : Inf
## ARIMA(2,0,0) with zero mean : 296.7954
## ARIMA(2,0,0) with non-zero mean : 299.1812
## ARIMA(2,0,0)(0,0,1)[12] with zero mean : Inf
## ARIMA(2,0,0)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(2,0,0)(1,0,0)[12] with zero mean : 285.4291
## ARIMA(2,0,0)(1,0,0)[12] with non-zero mean : 287.8769
## ARIMA(2,0,0)(1,0,1)[12] with zero mean : 284.5322
## ARIMA(2,0,0)(1,0,1)[12] with non-zero mean : 286.9957
## ARIMA(2,0,1) with zero mean : 299.1107
## ARIMA(2,0,1) with non-zero mean : 301.614
## ARIMA(2,0,1)(0,0,1)[12] with zero mean : Inf
## ARIMA(2,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(2,0,1)(1,0,0)[12] with zero mean : 287.5907
## ARIMA(2,0,1)(1,0,0)[12] with non-zero mean : 290.1614
## ARIMA(2,0,1)(1,0,1)[12] with zero mean : 287.0089
## ARIMA(2,0,1)(1,0,1)[12] with non-zero mean : 289.6242
## ARIMA(2,0,2) with zero mean : Inf
## ARIMA(2,0,2) with non-zero mean : Inf
## ARIMA(2,0,2)(0,0,1)[12] with zero mean : Inf
## ARIMA(2,0,2)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(2,0,2)(1,0,0)[12] with zero mean : Inf
## ARIMA(2,0,2)(1,0,0)[12] with non-zero mean : Inf
## ARIMA(2,0,3) with zero mean : Inf
## ARIMA(2,0,3) with non-zero mean : Inf
## ARIMA(3,0,0) with zero mean : 299.1355
## ARIMA(3,0,0) with non-zero mean : 301.6391
## ARIMA(3,0,0)(0,0,1)[12] with zero mean : Inf
## ARIMA(3,0,0)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(3,0,0)(1,0,0)[12] with zero mean : 287.647
## ARIMA(3,0,0)(1,0,0)[12] with non-zero mean : 290.2242
## ARIMA(3,0,0)(1,0,1)[12] with zero mean : 287.1267
## ARIMA(3,0,0)(1,0,1)[12] with non-zero mean : 289.7382
## ARIMA(3,0,1) with zero mean : 301.601
## ARIMA(3,0,1) with non-zero mean : 304.2304
## ARIMA(3,0,1)(0,0,1)[12] with zero mean : Inf
## ARIMA(3,0,1)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(3,0,1)(1,0,0)[12] with zero mean : 290.1259
## ARIMA(3,0,1)(1,0,0)[12] with non-zero mean : 292.8362
## ARIMA(3,0,2) with zero mean : 297.3577
## ARIMA(3,0,2) with non-zero mean : Inf
## ARIMA(4,0,0) with zero mean : 300.8658
## ARIMA(4,0,0) with non-zero mean : 303.4937
## ARIMA(4,0,0)(0,0,1)[12] with zero mean : Inf
## ARIMA(4,0,0)(0,0,1)[12] with non-zero mean : Inf
## ARIMA(4,0,0)(1,0,0)[12] with zero mean : 288.9828
## ARIMA(4,0,0)(1,0,0)[12] with non-zero mean : 291.6644
## ARIMA(4,0,1) with zero mean : 300.352
## ARIMA(4,0,1) with non-zero mean : Inf
## ARIMA(5,0,0) with zero mean : 297.6021
## ARIMA(5,0,0) with non-zero mean : 300.3619
##
##
##
## Best model: ARIMA(0,0,0)(1,0,1)[12] with zero meanmodelautoarima_no2## Series: data_train_sarima_dss_no2
## ARIMA(0,0,0)(1,0,1)[12] with zero mean
##
## Coefficients:
## sar1 sma1
## -0.1221 -0.7227
## s.e. 0.3320 0.6171
##
## sigma^2 = 16.75: log likelihood = -137.14
## AIC=280.28 AICc=280.84 BIC=285.83Box.test(residuals(modelautoarima_no2), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(modelautoarima_no2)
## X-squared = 10.695, df = 12, p-value = 0.5552e. Fit Model 4
# Fit Model 4
fitmodel4_no2 <- Arima (data_train_sarima_dss_no2,
order = c(1,0,1),
seasonal = c(1,0,3),
lambda = NULL,
include.constant = TRUE)
coeftest(fitmodel4_no2)##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.850894 0.102328 -8.3154 <2e-16 ***
## ma1 0.999976 0.086691 11.5350 <2e-16 ***
## sar1 0.376876 1.627458 0.2316 0.8169
## sma1 -1.365820 2.370840 -0.5761 0.5646
## sma2 0.746711 2.276060 0.3281 0.7429
## sma3 0.137295 0.929872 0.1476 0.8826
## intercept -0.125585 0.363703 -0.3453 0.7299
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1checkresiduals(fitmodel4_no2)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(1,0,1)(1,0,3)[12] with non-zero mean
## Q* = 7.9835, df = 3, p-value = 0.04635
##
## Model df: 6. Total lags used: 9ggtsdisplay(fitmodel4_no2$residuals)
summary(fitmodel4_no2)## Series: data_train_sarima_dss_no2
## ARIMA(1,0,1)(1,0,3)[12] with non-zero mean
##
## Coefficients:
## ar1 ma1 sar1 sma1 sma2 sma3 mean
## -0.8509 1.0000 0.3769 -1.3658 0.7467 0.1373 -0.1256
## s.e. 0.1023 0.0867 1.6275 2.3708 2.2761 0.9299 0.3637
##
## sigma^2 = 13.58: log likelihood = -136.2
## AIC=288.41 AICc=292.2 BIC=303.21
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 0.03178636 3.399562 2.591262 NaN Inf 0.3250687 -0.02772685Box.test(residuals(fitmodel4_no2), lag = 12, type = "Ljung-Box")##
## Box-Ljung test
##
## data: residuals(fitmodel4_no2)
## X-squared = 8.7787, df = 12, p-value = 0.7217Berdasarkan fit model yang ke 4 didapatkan bahwa secara keseluruhan model sudah signifikan dengan nilai p-value 0.04635 dimana nilai signifikan < 0,05 dan nilai AIC = 288.41.
hasil_df_no2 <- data.frame(
id = c(1:5),
Model = c("Model1(1,1,0)(0,0,1)", "Model2(2,2,0)(1,0,2)", "Model3(2,2,0)(2,0,2)", "Model4(1,0,1)(1,0,3)","AutoArima(0,0,0)(1,0,1)"),
AIC = c(fitmodel1_no2$aic, fitmodel2_no2$aic, fitmodel3_no2$aic, fitmodel4_no2$aic, modelautoarima_no2$aic),
BIC = c(fitmodel1_no2$bic, fitmodel2_no2$bic, fitmodel3_no2$bic, fitmodel4_no2$bic, modelautoarima_no2$bic),
stringsAsFactors = FALSE
)
hasil_df_no2## id Model AIC BIC
## 1 1 Model1(1,1,0)(0,0,1) 299.6538 306.9683
## 2 2 Model2(2,2,0)(1,0,2) 315.6924 326.5324
## 3 3 Model3(2,2,0)(2,0,2) 317.6908 330.3374
## 4 4 Model4(1,0,1)(1,0,3) 288.4077 303.2089
## 5 5 AutoArima(0,0,0)(1,0,1) 280.2833 285.8337Berdasarkan modelautoarima didapatkan model (0,0,0)(1,0,1) dengan nilai AIC = 280.23. Sehingga dapat disimpulkan bahwa performa fitmodel1 dengan nilai AIC = 299.65, fitmodel2 dengan nilai AIC = 315.69 dan fitmodel3 dengan nilai AIC = 317.69, dan fitmodel4 dengan nilai AIC 288.41. Berdasarkan kelima model tersebut, maka perfomansi model AutoArima yang terbaik yaitu model (0,0,0)(1,0,1) dengan nilai AIC sebesar 280.28 dan nilai p-value untuk keseluruhan signitifkan.
v. Forecasting dengan data latih
# Menggunakan fitmodel4
fcast_no2 <- forecast(modelautoarima_no2, h=12)
fcast_no2## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## Jan 2021 -0.04660407 -5.408030 5.3148224 -8.246198 8.152990
## Feb 2021 -3.48276629 -8.786306 1.8207729 -11.593830 4.628297
## Mar 2021 0.05943966 -5.244100 5.3629789 -8.051624 8.170503
## Apr 2021 4.04230665 -1.261233 9.3458459 -4.068757 12.153370
## May 2021 -4.29400861 -9.597548 1.0095306 -12.405072 3.817055
## Jun 2021 -5.92393829 -11.227478 -0.6203991 -14.035002 2.187125
## Jul 2021 -0.56891920 -5.872458 4.7346200 -8.679982 7.542144
## Aug 2021 7.02328441 1.719745 12.3268236 -1.087779 15.134348
## Sep 2021 -0.24699504 -5.550534 5.0565442 -8.358058 7.864068
## Oct 2021 3.54670117 -1.756838 8.8502404 -4.564362 11.657764
## Nov 2021 -0.97569061 -6.279230 4.3278486 -9.086754 7.135373
## Dec 2021 -4.34011685 -9.643656 0.9634224 -12.451180 3.770946autoplot(fcast_no2)
# Menggunakan fitmodel4
fcast_no2_2 <- forecast(fitmodel4_no2, h=12)
fcast_no2_2## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## Jan 2021 -1.0177424 -6.5097479 4.4742632 -9.417040 7.381555
## Feb 2021 -4.2977438 -9.8192321 1.2237445 -12.742131 4.146644
## Mar 2021 1.1817664 -4.3714580 6.7349909 -7.311157 9.674690
## Apr 2021 4.4436675 -1.1323390 10.0196740 -4.084098 12.971434
## May 2021 -5.9911438 -11.5834729 -0.3988148 -14.543873 2.561585
## Jun 2021 -4.6614975 -10.2654574 0.9424624 -13.232015 3.909020
## Jul 2021 -0.9582489 -6.5703978 4.6539000 -9.541290 7.624792
## Aug 2021 4.8186473 -0.7991237 10.4364183 -3.772992 13.410287
## Sep 2021 -1.4133995 -7.0348243 4.2080252 -10.010627 7.183828
## Oct 2021 3.6975755 -1.9259226 9.3210736 -4.902823 12.297974
## Nov 2021 -1.3197145 -6.9439254 4.3044963 -9.921203 7.281774
## Dec 2021 -4.4536076 -10.0772461 1.1700308 -13.054220 4.147005autoplot(fcast_no2_2)
# membuat prediksi untuk data uji dengan menggunakan model terbaik
predictSarima_no2 <- predict(fcast_no2, data_test_sarima_no2)
autoplot(predictSarima_no2)
# visualisasi hasil forecast dari model multiplicative
data_test_sarima_no2 %>%
autoplot()+
autolayer(modelautoarima_no2$fitted, series = "Auto-Arima(0,0,3)(1,0,0)")+
autolayer(data_test_sarima_no2, series = "data test") +
autolayer(fitmodel1_no2$fitted, series = "Model-1(1,1,0)(0,0,1)")+
autolayer(fitmodel2_no2$fitted, series = "Model-2(2,2,0)(1,0,2)")+
autolayer(fitmodel3_no2$fitted, series = "Model-3(2,2,0)(2,0,2)")+
autolayer(fitmodel4_no2$fitted, series = "Model-4(1,0,1)(1,0,3)")+
autolayer(predictSarima_no2$mean, series = "forecast")
vi. Evaluasi Model
# Mean squared error (MSE)
MSESarima_no2 <- mean((data_test_sarima_no2 - predictSarima_no2$mean)^2)
MSESarima_no2## [1] 176.6605# Root mean squared error (RMSE)
RMSESarima_no2 <- sqrt(MSESarima_no2)
RMSESarima_no2## [1] 13.29137# Mean absolute error (MAE)
MAESarima_no2 <- mean(abs(data_test_sarima_no2 - predictSarima_no2$mean))
MAESarima_no2## [1] 12.43394# Mean absolute percentage error (MAPE)
MAPESarima_no2 <- mean(abs(data_test_sarima_no2 - predictSarima_no2$mean) / data_test_sarima_no2)
MAPESarima_no2## [1] 1.027155